Rime Prism לעומת Cartesia Sonic 3.6: הפסיקו להשוות 90 ms ל-570 ms

Cartesia Sonic 3.6 עונה בפחות מ-90 מילישניות. Rime Prism עונה בכ-570 מילישניות. אם המשפט הזה הוא כל ההשוואה שלכם, כבר הגעתם למסקנה שטועה בפקטור של שניים בכיוון הלא נכון — מפני ששני המספרים לא מתחילים באותו רגע. ה-90 ms של Sonic 3.6 הם הזמן מרגע שהטקסט מגיע למנוע הסינתזה ועד לדגימת האודיו הראשונה. ה-570 ms של Rime Prism הם הזמן מרגע שהמתקשר מסיים את המשפט ועד שהסוכן משמיע צליל. בין שני האירועים האלה נמצאים מעבר של זיהוי דיבור ותור מלא של מודל שפה, שאף אחד מהם Sonic 3.6 אינו מבצע. הציבו אותם על אותו שעון והפער מצטמצם למשהו שמתקשר בקושי יכול להבחין בו, ואז ההחלטה הופכת להיות עניין של מחיר, כיסוי שפות והאם מישהו צריך לאשר את מה שנאמר.

שני המודלים עדכניים ושניהם זמינים. Cartesia Sonic 3.6הגיע לזמינות כללית (GA) ב-27 באוגוסט 2026 כמודל טקסט לדיבור בזרימה, שהגיע לראש שתי זירות הדיבור של Artificial Analysis בעת ההשקה — ומאז עקפו אותו קולות חדשים יותר שהצטרפו ללוח. Rime Prismהושק ב-28 באוקטובר 2026 כמודל דיבור לדיבור במחיר של $0.080 לדקת אודיו של שיחה, שמפיק את תגובתו כטקסט לפני שהוא משמיע אותה. האחד הוא רכיב, והאחר הוא מערכת, וההשוואה המעניינת היא בכמה עולה כל אחד מהם כשמרכיבים סביבו סוכן קולי עובד.

מהו Sonic 3.6, ליתר דיוק

זהו מודל טקסט לדיבור, וטוב כזה לפי העדויות הזמינות. הזרמים חשובים יותר מהשיווק: WebSocket, Server-Sent Events ובייטים גולמיים נתמכים כולם, וזה מה שהופך מודל TTS לשמיש בתוך שיחה חיה ולא רק במשימת אצווה.

• כיסוי — 44 שפות ב־61 לוקאלים, כולל הינדי והינגליש.

• קולות — שיבוט מיידי תוך 10 שניות מקליפ ייחוס; לא פורסם מספר קולות מאגר עבור גרסה זו.

• Control — יותר מ-60 תגיות של רגש והגשה, באנגלית בלבד; מהירות מ-0.6x עד 1.5x.

• אודיו — פלט מ-8 kHz עד 48 kHz ב-WAV, MP3 או PCM, עם חלון הקשר של 3,000 טוקנים.

• השהיה — פחות מ-90 מ״ש, זמן מוצהר על ידי הספק עד לאודיו הראשון בקצב של כ-132 תווים לשנייה, בזרימה.

• Arena — Artificial Analysis Provider Voice Elo בסביבות 1,282 ו-Controlled Voice בסביבות 1,123 בעת ההשקה, אז בראש שתי הטבלאות, ומאז מיקומה השתנה.

• פתיחות — ללא משקלים. Sonic 3.6 הוא מודל מתארח, בדומה ל-Prism.

Cartesia גם הוציאה משימוש כמה מודלים ישנים יותר ב-20 באוקטובר 2026 — sonic-turbo, sonic-2 ו-sonic-3-2025-10-27 snapshot — ו-Sonic 3.5 עדיין רשום כיציב לצד 3.6. אם אתם מבצעים מיגרציה, בדקו לאיזה דור האינטגרציה שלכם מצביעה בפועל, מפני שנפילה חזרה למודל שהוצא משימוש היא כשל שקט.

האריתמטיקה של 90 ms לעומת 570 ms, כפי שצריך להיעשות

הנה החלק שכל דף דירוג מפספס. במפל Sonic 3.6 פועלים שלושה שעונים בטור:

• זיהוי דיבור של אמירת המתקשר — בדרך כלל כמה מאות מילישניות עד שמזהה דיבור בזרימה מסיים משפט.

• התור של מודל השפה — המונח המשתנה, שנע בין 200 ms עבור אישור קצר לבין הרבה יותר משנייה אם הסוכן מנמק לפני שהוא משיב.

• הופ הסינתזה של Sonic 3.6 — פחות מ-90 מילישניות בקצב שנבדק על ידי הספק ללא כלילת הרשת; מדידות עצמאיות מקצה לקצה של מסלול קריאה חי של Cartesia מגיעות לערכים גבוהים פי כמה כאשר שני ההופים האחרים נספרים.

חברו את שלושת האמצעיים, וקסקייד מכוון היטב מגיע למשהו בין 800 אלפיות השנייה ל-1.5 שניות מסוף דיבורו של המתקשר ועד לאודיו הראשון של הנציג. 0.57 השניות של Prism מכסות את כל זה. לכן, בנתיב המלא, Prism אינו איטי יותר מ-Sonic 3.6 — הוא מהיר יותר מהפייפליין ש-Sonic 3.6 פועל בתוכו, בערך פי שניים בקצה הטוב.

זה מתהפך רק בארכיטקטורה אחת: אם התור של מודל השפה שלך קצר מאוד והמזהה שלך מהיר מאוד, מפל Sonic יכול להגיע לאודיו הראשון גם בתוך כחצי שנייה, ואז ה־90 ms הם באמת הסיבה. כלומר, ה־90 ms הם הישג הנדסי אמיתי והם עושים עבודה — רק לא את העבודה שטבלת ההשוואה מרמזת עליה.

הניסוח ההוגן הוא זה שהנתונים של Cartesia עצמה תומכים בו. מתחת ל-90 ms הוא מעבר הסינתזה המהיר ביותר בשוק, והוא נמדד כאשר הרשת אינה נכללת. הנתון של Prism — 570 ms — הוא נתון של ספק, שנמדד במערך הבדיקות τ-Voice על ידי Rime עצמה ולא במעבדה ניטרלית. אף אחת מהחברות לא פרסמה השוואה ראש בראש, ואיש לא הריץ את שתיהן באותו מסלול שיחה. כל דבר שמציג את השתיים כמירוץ השהיה בתנאים זהים ממציא תוצאה.

מחיר לדקה, וזה בדיוק המקום שבו נמצא הפער האמיתי.

Cartesia מחייבת לפי תווים: בערך קרדיט אחד לתו, ש-Artificial Analysis מנרמלת לכ-49 דולר למיליון תווים. התיעוד של Rime עצמה ממיר תווים לדקות בקצב של בערך 1,000 תווים לדקת דיבור, מה שמעמיד את Sonic 3.6 קרוב ל-0.049 דולר לדקת אודיו שנוצר. קצבי דיבור מהירים יותר — 132 תווים לשנייה שבהם Cartesia מבצעת מדידה — דוחפים אותו מטה לכיוון 0.034 דולר. אפשר לקרוא לזה שלושה עד חמישה סנטים לדקה, בהתאם למהירות שבה הסוכן שלך מדבר.

Prism עולה $0.080 לדקת אודיו של שיחה ב-Flex ו-$0.064 ב-Scale. אבל הדקה של Prism אינה אותה דקה. היא מחושבת לפי אודיו של השיחה, לא לפי דיבור הנציג, כך ששיחה שבה המתקשר מדבר חצי מהזמן עולה ל-Prism כמו שיחה שבה הנציג לא מפסיק לדבר. ההבחנה הזו לבדה יכולה להזיז את ההשוואה האפקטיבית בשליש לכאן או לכאן, וזה הדבר הראשון שצריך למדל כשמתמחרים ניסיון.

עכשיו הרכיבו את המפל. Sonic 3.6 בארבעה סנטים, זיהוי בחצי סנט עד סנט, ומודל שפה שעולה כמה סנטים בדקה בנפחי טוקנים שיחתיים — אתם בערך בשמונה עד עשרה סנטים לדקת דיבור של סוכן, לפני כל תשתית. Prism בשמונה סנטים אינו מוצר פרימיום במסגרת הזו. זה אותו מחיר עבור חשבון אחד, חוזה אחד ותקציב השהיה אחד במקום שלושה.

מבנה התוכניות של Cartesia מחזק את זה. חינמית עם 20,000 קרדיטים ו-2 ערוצים במקביל; Pro ב-$5 עבור 100,000 קרדיטים ו-3 ערוצים במקביל; Startup ב-$49 עבור 1.25 מיליון קרדיטים ו-5 ערוצים במקביל; Scale ב-$299 עבור 8 מיליון קרדיטים ו-15 ערוצים במקביל; Enterprise בהתאמה אישית עם DPA, BAA ופריסה אזורית. מספר הערוצים המקבילים מוגבל לפי שכבה, ובמרכז חיוג זה המספר שבפועל מהווה את צוואר הבקבוק — 15 זרמים מקבילים ב-Scale הם תור עמוס בגודל בינוני, לא גדול.

כיסוי שפות לעומת שליטה: האיזון שמכריע את העניין

קרטזיה מנצחת בכיסוי בפער רחב ומדיד. ארבעים וארבע שפות ב־61 לוקאלים הם רשימה מפורסמת וניתנת לבדיקה. Rime אינה מפרסמת כלל את מספר השפות של Prism, אף שהמוצרים הנפרדים שלה להמרת טקסט לדיבור מפרסמים את שלהם — אך נתונים ספציפיים ל־Prism נעדרים מדף המוצר. אם אתה צריך להשיק בחמישה עשר שווקים ברבעון הבא, ההיעדרות הזו פוסלת כשלעצמה, ו־Sonic 3.6 היא התשובה ללא קשר לכל דבר אחר במאמר הזה.

Prism זוכה בשליטה, ובפער שהוא מבני ולא מצטבר. Sonic 3.6 מקבל טקסט סופי. הוא יכול לבצע את הטקסט הזה עם יותר מ־60 תגי רגש והוא יכול לומר אותו במהירות פי 1.5, אבל הוא לא יכול לסרב לו. Prism מייצר את הטקסט עצמו, שלב אחד לפני הדיבור, ו־Rime אומר שהיישום יכול לשכתב, לחסום, לתייג או לתקן הגייה בנקודה הזו בזמן שהשיחה נמשכת. גילוי מוסדר, טענה שאסור להשמיע, שם מותג מתחרה שאסור שייאמר לעולם — אלה חיים בנקודת הבדיקה, לא בטקסט שאתה מוסר לסינתיסייזר.

אפשר לבנות את אותה בקרה ב-Sonic cascade. הציבו בדיקת מדיניות בין מודל השפה למסנתז, ויש לכם את נקודת הביקורת. מה שאין לכם הוא מודל שמבצע היסק על אודיו באותו מעבר, וזה החצי השני של הטענה של Prism: טון, היסוס ורעש רקע משפיעים על התגובה במקום להיות שטוחים תחילה לתמלול. השאלה אם זה שווה שמונה סנטים לעומת ארבע היא שאלה על השיחות שלכם, לא על המודלים.

שניהם זמינים בסטרימינג, אף אחד מהם לא נמצא בקטלוג שלנו

Prism נמכר ישירות על ידי Rime. ‏Sonic 3.6 נמכר ישירות על ידי Cartesia ובאמצעות מספר פלטפורמות צד שלישי. אף אחד מהם אינו מנותב על ידי OrcaRouter כיום, ואין לקרוא דבר בקטע זה כטענה אחרת.

מה שאנחנו עושים בניתוב הוא השכבה ששניהם נשענים עליה. במפל Sonic, מודל השפה שבאמצע הוא בחירה, והבחירה הזו היא המקום שבו האיכות והעלות של הקריאה באמת נמצאות. מפתח אחד ב-OrcaRouter מכסה יותר מ-200 מודלים ב-0% תוספת מעל מחיר המחירון של הספק, עם מעבר אוטומטי בין ספקים, כך שמודל שיחתי שנתקע לא הופך לדממה — הבקשה מנותבת מחדש במקום. ה-DSL לניתוב מאפשר לשלוח את תורות האישור למודל קטן וזול ואת תורות החיפוש למודל גדול יותר, בתוך נקודת קצה אחת; זו אותה משמעת עלויות שמפל זקוק לה, והסיבה שמפל עדיין תחרותי במחיר.

ואם אתם רוצים שלב סינתזה מתארח בלי קשר עם ספק נוסף, openai/tts-1-hd ו-google/gemini-3.1-flash-tts-preview נמצאים שניהם בקטלוג במחיר מחירון. הם לא Sonic 3.6. הם שני הקצוות האחרים של אותו צינור, עם אותו מפתח.

פסק הדין, מחולק לפי ארכיטקטורה

אם אתה בונה ביותר מקומץ שפות, Cartesia Sonic 3.6 הוא הסינתיסייזר הנכון וההשוואה הסתיימה. ארבעים וארבע שפות הן עובדה; רשימה שלא פורסמה אינה הבטחה.

אם אתה בונה מרכז שירות לשוק יחיד שבו הסוכן אסור לומר דברים מסוימים, Rime Prism הוא היחיד מבין השניים שיש לו מקום לעמוד בו בין ההחלטה לבין האמירה, ובשמונה סנטים לדקה מדובר בערך באותו סכום כסף כמו ה-cascade שאחרת היית מרכיב — עם חשבון אחד במקום שלושה.

אם אתם נמצאים איפשהו באמצע, שובר השוויון הוא השהיה תחת עומס ולא השהיה בתרשים benchmark. זמן ה-hop של Cartesia, מתחת ל-90 מ״ש, נמדד כשהרשת מוחרגת, ופריסה רחוקה מהאזור תחווה השהיה גדולה בהרבה. ה-570 מ״ש של Prism נמדדים על הרנס שאין בו רשת בכלל. הריצו את שניהם על נתיב השיחה בפועל שלכם, מהאזור שלכם בפועל, לפני שתבחרו. המספרים שפורסמו לא יכולים להכריע את זה, וכל מי שאומר שהם כן יכולים משווה בין שני שעוני עצר שונים.

הסתייגות אחת לגבי מספרי הארנה, משום שהם יצוטטו: ה-Elo של {{1}}Artificial Analysis{{/1}} עבור {{2}}Sonic 3.6{{/2}} מודד כיצד קול נשמע למדרגים אנושיים. ה-56.6 של {{3}}Prism{{/3}} ב-{{4}}τ-Voice{{/4}} מודד באיזו תדירות סוכן משלים משימה ב-278 שיחות שירות מדומות. הם אינם אותו מכשיר, אין להם סולם משותף, והחסרת האחד מהשני מפיקה מספר שאינו אומר דבר. ל-{{5}}Sonic 3.6{{/5}} אין ציון {{6}}τ-Voice{{/6}} משום שהוא אינו סוכן. ל-{{7}}Prism{{/7}} אין Elo ארנה משום שהוא אינו קול. האסימטריה הזו היא כל ההשוואה במיניאטורה.