Rime Prism vs Cartesia Sonic 3.6 : arrêtez de comparer 90 ms à 570 ms

Cartesia Sonic 3.6 répond en moins de 90 millisecondes. Rime Prism répond en environ 570 millisecondes. Si cette phrase résume toute votre comparaison, vous avez déjà tiré une conclusion erronée d’un facteur deux dans la mauvaise direction — car les deux chiffres ne partent pas du même instant. Les 90 ms de Sonic 3.6 correspondent au temps entre l’arrivée du texte au synthétiseur et le premier échantillon audio. Les 570 ms de Rime Prism correspondent au temps entre le moment où un appelant termine sa phrase et celui où l’agent émet un son. Entre ces deux événements se trouvent une étape de reconnaissance vocale et un tour complet de modèle de langage, que Sonic 3.6 n’exécute ni l’une ni l’autre. Ramenez-les à la même horloge : l’écart se réduit à quelque chose qu’un appelant distingue à peine, et la décision devient alors une question de prix, de couverture linguistique et de savoir si quelqu’un doit approuver ce qui sera dit.

Les deux modèles sont actuels et tous deux sont disponibles commercialement. Cartesia Sonic 3.6 a été lancé en disponibilité générale le 27 août 2026 en tant que modèle de synthèse vocale en streaming, qui s'est hissé au sommet des deux classements vocaux d'Artificial Analysis lors de son lancement — et a depuis été dépassé à mesure que de nouvelles voix ont rejoint le classement. Rime Prism a été lancé le 28 octobre 2026 en tant que modèle de parole-à-parole à 0,080 $ par minute d'audio d'appel, qui émet sa réponse sous forme de texte avant de la prononcer. L'un est un composant, l'autre un système, et la comparaison intéressante porte sur ce que chacun coûte lorsqu'on assemble autour de lui un agent vocal fonctionnel.

Ce qu’est précisément Sonic 3.6

C'est un modèle de synthèse vocale, et un bon modèle au vu des éléments disponibles. Les flux comptent davantage que l'argumentaire commercial : WebSocket, Server-Sent Events et les octets bruts sont tous pris en charge, ce qui rend un modèle TTS utilisable au sein d'un appel en direct plutôt que seulement dans une tâche par lots.

• Couverture — 44 langues sur 61 locales, dont l'hindi et le hinglish.

• Voix — clonage instantané en 10 secondes à partir d’un clip de référence ; aucun nombre publié de voix standard pour cette version.

• Contrôle — plus de 60 balises d’émotion et d’élocution, uniquement en anglais ; vitesse de 0,6x à 1,5x.

• Audio — sortie de 8 kHz jusqu'à 48 kHz en WAV, MP3 ou PCM, avec une fenêtre de contexte de 3 000 tokens.

• Latence — délai jusqu’au premier audio annoncé par le fournisseur inférieur à 90 ms à environ 132 caractères par seconde, en streaming.

• Arena — Artificial Analysis Provider Voice Elo autour de 1 282 et Controlled Voice autour de 1 123 au lancement, alors en tête des deux tableaux, depuis, les positions ont changé.

• Ouverture — pas de poids. Sonic 3.6 est un modèle hébergé, comme Prism.

Cartesia a également retiré plusieurs anciens modèles le 20 octobre 2026 — sonic-turbo, sonic-2 et le snapshot sonic-3-2025-10-27 — et Sonic 3.5 reste listé comme stable aux côtés de 3.6. Si vous effectuez une migration, vérifiez vers quelle génération votre intégration pointe réellement, car un repli vers un modèle retiré est un échec silencieux.

L’arithmétique 90 ms contre 570 ms, correctement effectuée

Voici la partie que toutes les pages de classement oublient. Une cascade Sonic 3.6 comporte trois horloges fonctionnant en série :

• La reconnaissance vocale de l'énoncé de l'appelant — typiquement quelques centaines de millisecondes pour qu'un système de reconnaissance en continu finalise une phrase.

• Le tour du modèle de langage — le terme variable, allant de 200 ms pour un bref accusé de réception à bien plus d’une seconde si l’agent raisonne avant de répondre.

• L’étape de synthèse de Sonic 3.6 — moins de 90 ms au taux testé par le fournisseur, réseau exclu ; les mesures indépendantes de bout en bout d’un chemin d’appel Cartesia en conditions réelles sont plusieurs fois plus élevées une fois les deux autres étapes comptées.

Ajoutez les trois éléments du milieu, et une cascade bien calibrée se situe quelque part entre 800 ms et 1,5 seconde, entre la fin de la parole de l’appelant et le premier audio de l’agent. Les 0,57 seconde de Prism couvrent tout cela. Ainsi, sur le chemin complet, Prism n’est pas plus lent que Sonic 3.6 — il est plus rapide que le pipeline dans lequel Sonic 3.6 s’inscrit, d’environ un facteur deux dans le meilleur des cas.

Cela ne bascule que dans une seule architecture : si votre tour de modèle de langage est très court et que votre moteur de reconnaissance est très rapide, une cascade Sonic peut elle aussi atteindre le premier audio en environ une demi-seconde, et c’est alors réellement le pas de 90 ms qui en est la raison. Autrement dit, les 90 ms sont une véritable prouesse d’ingénierie et elles accomplissent un travail — simplement pas celui que le tableau de comparaison laisse entendre.

La présentation honnête est celle que les propres chiffres de Cartesia étayent. Un délai inférieur à 90 ms constitue le saut de synthèse le plus rapide du marché, et il est mesuré hors réseau. Les 570 ms de Prism sont un chiffre de fournisseur, mesuré sur le banc d’essai τ-Voice par Rime elle-même plutôt que par un laboratoire neutre. Aucune des deux entreprises n’a publié de comparaison directe, et personne n’a fait tourner les deux sur le même chemin d’appel. Tout ce qui les présente comme une course à la latence à conditions comparables invente un résultat.

Prix par minute, c'est là que réside le véritable écart

Cartesia facture au caractère : environ un crédit par caractère, ce qu'Artificial Analysis normalise à près de 49 $ par million de caractères. La documentation de Rime convertit elle-même les caractères en minutes à raison d'environ 1 000 par minute de parole, ce qui place Sonic 3.6 à près de 0,049 $ par minute d'audio généré. Des débits de parole plus rapides — les 132 caractères par seconde sur lesquels Cartesia se base — font descendre ce chiffre vers 0,034 $. Comptez trois à cinq cents la minute, selon la vitesse à laquelle parle votre agent.

Prism coûte 0,080 $ par minute d’audio d’appel sur Flex et 0,064 $ sur Scale. Mais la minute de Prism n’est pas la même minute. Elle est facturée sur l’audio d’appel, et non sur la parole de l’agent, de sorte qu’un appel où l’appelant parle la moitié du temps coûte à Prism autant qu’un appel où l’agent ne s’arrête jamais. Cette seule distinction peut décaler la comparaison effective d’un tiers dans un sens ou dans l’autre, et c’est la première chose à modéliser lorsqu’on chiffre un essai.

Maintenant, assemblez la cascade. Sonic 3.6 à quatre cents, la reconnaissance entre un demi-cent et un cent, et un modèle de langage qui coûte quelques cents par minute pour des volumes de tokens de conversation — vous êtes à environ huit à dix cents par minute de parole d’agent, avant toute infrastructure. Prism à huit cents n’est pas un produit premium dans ce cadre. C’est le même prix pour une seule facture, un seul contrat et un seul budget de latence au lieu de trois.

La structure tarifaire de Cartesia renforce ce constat. Gratuit avec 20 000 crédits et 2 appels simultanés ; Pro à 5 $ pour 100 000 crédits et 3 simultanés ; Startup à 49 $ pour 1,25 million de crédits et 5 simultanés ; Scale à 299 $ pour 8 millions de crédits et 15 simultanés ; Enterprise personnalisé avec DPA, BAA et déploiement régional. La simultanéité est plafonnée par niveau, ce qui, pour un centre de contact, correspond au nombre qui limite réellement l'usage — 15 flux simultanés sur Scale représente une file d'attente de taille moyenne bien occupée, pas une grande.

Couverture linguistique contre contrôle : le compromis qui tranche

Cartesia l’emporte sur la couverture avec une marge importante et mesurable. Quarante-quatre langues réparties sur 61 locales constituent une liste publiée et vérifiable. Rime ne publie pas du tout le nombre de langues de Prism, bien que ses produits distincts de synthèse vocale publient le leur — mais les chiffres propres à Prism sont absents de la page produit. Si vous devez vous lancer sur quinze marchés au cours du prochain trimestre, cette absence est à elle seule éliminatoire, et Sonic 3.6 est la réponse, indépendamment de tout le reste dans cet article.

Prism gagne le contrôle, et avec une marge structurelle plutôt qu’incrémentale. Sonic 3.6 reçoit le texte final. Il peut interpréter ce texte avec plus de 60 balises d’émotion et le prononcer à 1,5× la vitesse, mais il ne peut pas le refuser. Prism produit le texte lui-même, une étape avant la parole, et Rime indique que l’application peut à ce moment-là réécrire, bloquer, baliser ou corriger la prononciation pendant que l’appel se poursuit. Une information réglementée, une affirmation qui ne doit pas être faite, un nom de marque concurrente qui ne doit jamais être prononcé — ces éléments se trouvent au point de contrôle, et non dans le texte que vous confiez à un synthétiseur.

Vous pouvez construire le même contrôle dans une cascade Sonic. Placez une vérification de politique entre le modèle de langage et le synthétiseur, et vous obtenez le point de contrôle. Ce que vous n’avez pas, c’est un modèle qui raisonne sur l’audio au cours de la même passe, et c’est là la seconde moitié de l’affirmation de Prism : le ton, les hésitations et le bruit de fond nourrissent la réponse au lieu d’être d’abord aplatis dans une transcription. Savoir si cela vaut huit cents contre quatre est une question qui concerne vos appels, pas les modèles.

Tous les deux sont en streaming, aucun des deux n’est dans notre catalogue.

Prism est vendu directement par Rime. Sonic 3.6 est vendu directement par Cartesia et via plusieurs plateformes tierces. Aucun des deux n'est routé par OrcaRouter aujourd'hui, et rien dans cet article ne doit être interprété comme affirmant le contraire.

Ce que nous appelons route est la couche dont tous les deux dépendent. Dans une cascade Sonic, le modèle de langage au milieu est un choix, et ce choix est précisément là où se trouvent réellement la qualité et le coût de l'appel. Une clé sur OrcaRouter couvre plus de 200 modèles à 0 % de marge au-dessus du prix catalogue du fournisseur, avec un basculement automatique entre fournisseurs, de sorte qu'un modèle conversationnel qui cale ne se transforme pas en silence radio — la requête est réacheminée à la place. Le DSL de routage vous permet d'envoyer les tours d'accusé de réception à un petit modèle bon marché et les tours de recherche à un modèle plus grand, au sein d'un même point de terminaison, ce qui est la même discipline de coût dont une cascade a besoin et la raison pour laquelle une cascade reste compétitive sur le prix.

Et si vous voulez une étape de synthèse hébergée sans une deuxième relation avec un fournisseur, openai/tts-1-hd et google/gemini-3.1-flash-tts-preview figurent tous deux au catalogue au prix catalogue. Ce ne sont pas Sonic 3.6. Ce sont les deux autres extrémités du même pipeline, avec la même clé.

Le verdict, ventilé par architecture

Si vous développez dans plus qu’une poignée de langues, Cartesia Sonic 3.6 est le bon synthétiseur et la comparaison est terminée. Quarante-quatre langues, c’est un fait ; une liste non publiée n’est pas une promesse.

Si vous construisez un centre de contact mono-marché où l’agent ne doit pas dire certaines choses, Rime Prism est le seul des deux à disposer d’un point d’appui entre la décision et l’énoncé, et à 8 cents la minute, il coûte à peu près le même prix que la cascade que vous auriez sinon à assembler — avec une seule facture au lieu de trois.

Si vous vous situez entre les deux, l’élément décisif est la latence sous charge plutôt que la latence sur un graphique de benchmark. Le saut sous 90 ms de Cartesia est mesuré réseau exclu, et un déploiement éloigné de la région constatera bien davantage. Les 570 ms de Prism sont mesurés sur un banc d’essai sans aucun réseau. Exécutez les deux sur votre chemin d’appel réel, depuis votre région réelle, avant de choisir. Les chiffres publiés ne peuvent pas trancher, et quiconque affirme le contraire compare deux chronomètres différents.

Une mise en garde concernant les chiffres de l'arène, car ils seront cités : l'Elo d'Artificial Analysis pour Sonic 3.6 mesure la façon dont une voix sonne pour des évaluateurs humains. Le 56,6 de Prism sur τ-Voice mesure la fréquence à laquelle un agent accomplit une tâche lors de 278 appels de service simulés. Ce ne sont pas les mêmes instruments, ils ne partagent pas la même échelle, et soustraire l'un de l'autre produit un nombre qui ne signifie rien. Sonic 3.6 n'a pas de score τ-Voice parce que ce n'est pas un agent. Prism n'a pas d'Elo d'arène parce que ce n'est pas une voix. Cette asymétrie, c'est toute la comparaison en miniature.