AssemblyAI-TTS-1 מול Cartesia Sonic 3.6: המתחרה מדד את המוביל ב־143 מ״ש
- OrcaחדשOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29102 tok/s
- OrcaחדשOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 לכל 1M טוקנים · 99 tok/s
- OrcaחדשOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 285 tok/s
- OrcaחדשOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 93 tok/s
- MoonshotחדשMoonshotAI: Kimi K3.1 Pro2026-10-2446אינטליגנציה
- OrcaחדשOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 לכל 1M טוקנים · 105 tok/s
- minimaxחדשMiniMax: M3.1 Flash2026-10-1929אינטליגנציה
- OrcaחדשOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 לכל 1M טוקנים · 69 tok/s
- deepseekחדשDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733אינטליגנציה
- DeepSeekחדשDeepSeek: DeepSeek V4.1 Flash2026-10-1740אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 לכל 1M טוקנים · 94 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955אינטליגנציה
- anthropicAnthropic: Claude Sonnet 5.52026-09-2854אינטליגנציה
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 לכל 1M טוקנים · 179 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2228אינטליגנציה
- OpenAIOpenAI: GPT-6 Sol2026-09-2248אינטליגנציה
- AnthropicAnthropic: Claude Opus 5.52026-09-2258אינטליגנציה
- xiaomiXiaomi: MiMo-V2.6-Flash2026-09-2127אינטליגנציה
- xiaomiXiaomi: MiMo-V2.6-Pro2026-09-2130אינטליגנציה
- xAIGrok 4.72026-09-2134אינטליגנציה
המשפט השימושי ביותר בפוסט ההשקה של AssemblyAI אינו עוסק במודל שלה עצמה. מדובר בשורה בטבלת השוואה שמראה כיצד Cartesia Sonic 3.6מחזיר בייט ראשון תוך 143 מילישניות, בעוד ש-AssemblyAI-TTS-1החזיר בייט ראשון תוך 47 — מבחן ש-AssemblyAI הריצה על החומרה שלה עצמה ופרסמה אודות מתחרה שהשקיע שנתיים בשיווק עצמו כאל ה-TTS המהיר ביותר בשוק. הנתון של הספק עצמו עבור Sonic 3.6 עומד על פחות מ-90 מ"ש עד לאודיו הראשון, וזו אינה אותה מדידה, ולא על אותה רשת, ומאז שני המספרים מצוטטים זה כנגד זה. ההתנגשות הזו היא המרכז הכנה של העימות הזה: מודל אחד הוא מוביל האיכות והשפות במחיר של 49 דולר למיליון תווים, והשני הוא המתחרה במחיר ובתפוקה ב-15 דולר, ולאף אחד מהם אין נתון השהיה שצד נייטרלי אימת.
כל מה שלהלן מתוארך. נתוני Artificial Analysis נקראו ב-30 באוקטובר 2026, ולוחות הדירוג משתנים בעשרות נקודות Elo בתוך שבועות; Sonic 3.6 עצמו עבר מהמקום הראשון לרביעי מאז אוגוסט. טענות ספקים מסומנות כטענות ספקים. שתי נקודות הנתונים העצמאיות היחידות בנושא השהיה שקיימות — ריצת המעבדה של AssemblyAI ומדידת הזרימה של Cekura — מודדות דברים שונים ומוצגות ככאלה, ולא ממוצעות לכדי עובדה מדומה אחת.
היכן הם למעשה עומדים, נכון להיום
Cartesia Sonic 3.6 הושק באמצע אוגוסט 2026 וכבש את המקום הראשון בשתי זירות הדיבור של Artificial Analysis בתוך ימים — 1,282 ב-Provider Voice ו-1,123 ב-Controlled Voice, כפי שנקראו אז. חודשיים וחצי של רשומות חדשות לאחר מכן, הוא מחזיק ב-1,296 ובמקום הרביעי ב-Provider Voice, וב-1,147 ובמקום השישי ב-Controlled Voice. הציון שלו עלה ב-14 נקודות והדירוג שלו ירד בשלושה מקומות. זה מה שלוח דירוג מהיר-תנועה עושה, ולכן עמודת הדירוג בכל סקירת השקה מתיישנת רע.
• ספק קול — Cartesia Sonic 3.6 1,296, מקום 4 לעומת AssemblyAI-TTS-1 1,227, מקום 14
• קול מבוקר (שמונה קולות משובטים משותפים) — Cartesia Sonic 3.6 1,147, במקום השישי לעומת AssemblyAI-TTS-1 1,108, במקום העשירי
• מחיר למיליון תווים — $49 לעומת $15
• שפות — 44 לעומת 6 (אנגלית, ספרדית, צרפתית, גרמנית, איטלקית, פורטוגזית)
• תפוקה (Artificial Analysis) — 148.6 תווים לשנייה לעומת 162
• עמידות בהגייה (Artificial Analysis) — AssemblyAI עם 81.7%, במקום ה-16, לעומת מיקומה הנמוך יותר של Sonic במבחני מחרוזות קשות של צד שלישי
• תמחור קול משובט — Cartesia גובה פי 1.5 עבור קולות משובטים לעומת התעריף האחיד של AssemblyAI הכולל שיבוט
שני הפערים אינם באותו גודל. שישים ותשעה Elo ב-Provider Voice הם הבדל איכות אמיתי ונראה לעין — בערך המרחק בין מודלים סמוכים באמצע הלוח, ומספיק כדי שלמאזין עיוור תהיה העדפה. שלושים ושבעה Elo ב-Controlled Voice קטן יותר ונמצא בטווח שבו סבב הערכה בודד יכול להזיז מודל כמה מקומות. במונחים פשוטים: Sonic 3.6 נשמע טוב יותר עם הקולות שלו עצמו, ושניהם קרובים מספיק עם קול משובט כך שפרטי הפריסה הם שמכריעים. פער מחיר פי 3.3 אינו קרוב בשום קנה מידה.
טיעון השהיה, בשלוש דרכים
קיימות שלוש מדידות, ואף אחת מהן אינה מכריעה את השאלה, ולכן ראוי לדייק לגבי מה שכל אחת מהן מראה.
הראשון הוא מבחן המעבדה של AssemblyAI עצמה. שלושים פרומפטים, שלושה סבבים, ארבעה קולות סטנדרטיים לכל מודל, בקשה אחת בכל פעם, לקוח יחיד. זמן חציוני עד לבייט הראשון: AssemblyAI 47 מ״ש, ElevenLabs Flash v2.5 119 מ״ש, Cartesia Sonic 3.6 143 מ״ש, ElevenLabs v4 612 מ״ש. זהו מבחן נקי ומתואר היטב עם מגבלה ברורה — בקשות עוקבות מודדות את המודל, לא את השירות. הוא אינו יכול להציג תורים, תחרות על מקביליות או עלות רשת חוצת-אזורים. יש לו גם בעיית תמריצים: הספק שמפרסם את הטבלה הוא הספק שמנצח בה.
הטענה השנייה היא של Cartesia עצמה: זמן של פחות מ-90 מילישניות עד לאודיו הראשון, שהחברה מתארת כמתייחס למודל בלבד וללא הרשת. שימו לב לשינוי היחידה. ה-47 מילישניות של AssemblyAI הן בייט ראשון; ה-90 מילישניות של Sonic הן אודיו ראשון; אלה רגעים שונים בצינור זרימה, ובייט ראשון יכול להגיע הרבה לפני הפריים המסונתז הראשון. השוואה ישירה ביניהם היא הטעות הנפוצה ביותר בסיקור של ההשקה הזו.
השלישי הוא המדידה העצמאית של Cekura בזרימה, שהציבה את AssemblyAI-TTS-1 על חציון של 159 מילישניות על פני משפטים בסגנון סוכן — מקום שמיני מתוך תשע־עשרה מערכות, ולא במקום הראשון. זה כפול מהנתון הייצורי של הספק ובערך בקו עם מה שנתיב רשת אמיתי עושה למספר מעבדה נקי. לא היה נתון עצמאי מקביל עבור Sonic 3.6 באותה הרצה, מה שאומר שהאמירה הכנה אינה "AssemblyAI מהיר יותר" אלא "AssemblyAI מהיר יותר במבחן שהיא עצמה תכננה, ואף אחד משני המודלים לא הורץ על ידי מעבדה ניטרלית באותו יום".
התפוקה (Throughput) היא ההשוואה הנקייה יותר, מכיוון ש-Artificial Analysis מודדת אותה באותו אופן עבור שני המודלים. עם 162 תווים לשנייה לעומת 148.6, AssemblyAI מייצרת אודיו מהר יותר בכ-9% — יתרון קטן בהרבה ממה שמספרי הבייט הראשון מרמזים, ואחד שאינו רלוונטי עבור סוכן חי, שבו שני המודלים כבר מהירים פי כמה מזמן אמת. מה שחשוב בייצור הוא זמן השהיה בזנב ואמינות תחת מקביליות, ואף אחד מהספקים לא פרסם נתון p99.
מה כולל ההבדל במחיר
ה-$49 של Cartesia אינו תעריף אחיד וכולל הכול כפי שה-$15 של AssemblyAI הוא. Sonic 3.6 גובה עבור קולות משובטים פי 1.5 מהתעריף הסטנדרטי, מה שדוחף סוכן שמפעיל קולות מותאמים אישית לכ-$73.50 בקירוב למיליון תווים — פי 4.9 בקירוב מתעריף AssemblyAI. AssemblyAI גובה $15 גם עבור קולות מהספרייה וגם עבור שיבוטים, כולל חותמות זמן של מילים, עיבוד בארה״ב או באיחוד האירופי ומקביליות בלתי מוגבלת, ללא רכישת שכבה וללא התחייבות שנתית. Cartesia מוכרת קרדיטים דרך תוכניות בנקודות חודשיות של חינם, $5, $49 ו-$299, והשכבה החינמית שלה אוסרת שימוש מסחרי.
חישבנו לפי תסריט ולא לפי מחירון: מיליון תווים הם כ-18 שעות של דיבור מוגמר בקצב דיבור רגיל, מה שמביא את AssemblyAI לכ-81 סנט לשעת דיבור מוגמרת לעומת כ-2.70 דולר עבור Sonic 3.6 במחיר מחירון, או כ-4.05 דולר כאשר קולות משובטים מחויבים בתעריף של פי 1.5. עבור פעילות של 100,000 שעות בחודש, זה ההבדל בין סעיף של 81,000 דולר לבין סעיף של 270,000 דולר. שום דבר באיכות הקול לא מצדיק כשלעצמו מכפיל של פי 3.3; הטיעון לטובת Cartesia חייב להתבסס על כיסוי, בקרות ואמינות, ולא על Elo.
שפות ובקרות, שבהן Cartesia עדיין מנצחת בנוחות
ארבעים וארבע שפות מותאמות מקומית לעומת שש — זהו הפער הפונקציונלי הגדול ביותר בהשוואה הזו, וזה לא פער שהורדת מחיר סוגרת. AssemblyAI מספקת אנגלית, ספרדית, צרפתית, גרמנית, איטלקית ופורטוגזית עם מבטאים מרובים, והבטיחה עוד — בלי תאריך. אם הסוכן שלך משרת שווקים אירופאיים מחוץ לשש אלה — פולנית, הולנדית, שוודית, יוונית — Sonic 3.6 היא האפשרות היחידה מבין השתיים, והפער במחיר מפסיק להיות רלוונטי.
פער הבקרות מצביע לאותו כיוון. ב-{{AssemblyAI-TTS-1}} אין SSML, אין פרמטר מהירות, אין מילון הגייה ואין תגיות רגש בעת ההשקה; עמוד ההשקה של הספק עצמו מתאר רגש כתכונה ילידית של המודל, בעוד שה-FAQ שלו מאשר שבקרות ייעודיות אינן זמינות. המוצר של Cartesia בנוי סביב דיבור שניתן לכוון — טיפול במהירות, ברגש ובהגייה הוא חלק מההצעה. עבור קריינות מתוסרטת, דיבוב או כל עומס עבודה שבו יש לכוון את הקצב, AssemblyAI מבקשת ממך כיום לשכתב את הטקסט כדי לקבל את ההגשה הרצויה — עבודה שאינך יכול לחייב עליה אף אחד.
המקום היחיד שבו AssemblyAI מובילה ביכולות הוא בדיוק המקום שבו Cartesia חלשה ביותר: מחרוזות קשות. לפי Artificial Analysis, חוסן ההגייה של AssemblyAI עומד על 81.7%, במקום ה-16 באותו לוח, ולפי ההערכה של AssemblyAI עצמה, דיוק הישויות עומד על 93.7% במספרי טלפון, כתובות URL וקודים, לעומת 82.5% אצל Sonic 3.6 — השוואת ספקים שנערכה על ידי הספק, עם פער של 11 נקודות שגדול מכדי לבטלו כרעש מתודולוגי. מבחן עצמאי אחד (של Gradium) העמיד את ציון המקרים הקשים של Sonic על 75.1%. עבור IVR, הקראות חוזרות וקודי אישור, זהו המספר שמכריע את הפריסה.
מי צריך לקחת איזה?
בחרו ב-AssemblyAI-TTS-1 כאשר עומס העבודה הוא בנפח גבוה, אנגלית ועוד חמש שפות, ועמוס בקריאה חוזרת מובנית — מספרי הזמנות, כתובות, קודים, מינונים — כאשר יתרון דיוק הישויות ותעריף $15 הקבוע מצטברים. בחרו ב-Cartesia Sonic 3.6 כאשר אתם זקוקים ליותר משש שפות, כאשר את המסירה יש לכוון ולא לשכתב, כאשר אתם משכפלים קולות ויכולים לספוג את חיוב ה-1.5x, או כאשר פער הטבעיות ב-Provider Voice הוא הדבר שהמשתמשים שלכם שומעים. ההבדל של 37 נקודות בזירה המבוקרת קטן מספיק כדי שסוכן בנוי היטב על כל אחד מהמודלים יישמע טוב; ההבדל של 69 נקודות בספק הוא זה שמאזין מבחין בו.
קיימת אפשרות שלישית שאף אחד מהספקים לא מפרסם, והיא האפשרות שרוב הצוותים מגיעים אליה: להריץ את שניהם ולתת לתעבורה להחליט. שתי רגלי TTS מאחורי כלל ניתוב אחד מאפשרות לשלוח אמירות עמוסות בקריאה חוזרת למודל שקורא קודים נכון, וקריינות למודל שנשמע טוב יותר, בלי לתחזק שני מסלולי אינטגרציה. זהו הטיעון ששכבת ניתוב בונה לעצמה — יותר מ-200 מודלים מאחורי API אחד בתוספת של 0% כשמחירי המחירון מועברים כמו שהם, כך שהורדת מחיר בכל אחד מהצדדים מגיעה באותו יום, וה-DSL לניתוב כדי לפצל תעבורה לפי עומס עבודה ולא לפי ניחושים. נכון להיום, לא AssemblyAI-TTS-1 ולא Cartesia Sonic 3.6 נמצאים בקטלוג של OrcaRouter, אז זו תבנית להשוואה ולא טענה לגבי אירוח שלהם; מודלי ה-TTS שאנחנו כן מנתבים — tts-1 של OpenAI, tts-1-hd ו-gpt-4o-mini-tts, ו-Gemini 3.1 Flash TTS Preview של Google — מכסים את הרגל השנייה בעוד שני המובילים נבחנים על התעבורה שלך.
מה בעצם יכריע את זה
מעבדה ניטרלית שתריץ את שני המודלים על אותה חומרה, אותו נתיב רשת ואותו פרופיל עומס תסיים את הוויכוח על השיהוי בתוך אחר צהריים אחד, ואף אחד לא עשה זאת. עד אז, העמדה הניתנת להגנה היא ש-AssemblyAI מהיר יותר במבחן שלה עצמה ואולי מהיר יותר במציאות, ש-Cartesia הוא המודל עם הצליל הטוב יותר והכיסוי הרחב בהרבה, ושפער המחירים גדול מספיק כדי שיתרון האיכות של Sonic 3.6 יצטרך להיות שווה פי 3.3 לכל תו — או, בקולות משובטים, פי 4.9 — בעיני הקונה שמשלם עליו.
שתי התפתחויות נוספות ישנו את התשובה יותר מכל מדד. אם AssemblyAI תשיק SSML ומילוני הגייה, מגבלת שש השפות תהפוך להתנגדות התפקודית היחידה שנותרה, והטיעון בדבר המחיר יהפוך לקשה מאוד לערעור. אם Cartesia תוריד את התעריף שלה לקראת רצפת המחירים החדשה של השוק, או תרחיב את החיוב עבור קול משובט, יתרון הכיסוי יהפוך לנגיש מבחינה כלכלית. עקבו אחרי שני המהלכים האלה ולא אחרי קריאת ה-Elo הבאה — בלוח דירוג שבו מודל יכול לזכות ב-14 נקודות ולאבד שלושה מקומות בעשרה שבועות, הדירוג הוא רעש והמחיר הוא הסיגנל.
