AssemblyAI-TTS-1 vs Cartesia Sonic 3.6: Penantang Mengukur Petahana pada 143 ms

Kalimat paling berguna dalam unggahan peluncuran AssemblyAI bukan tentang modelnya sendiri. Itu adalah baris dalam tabel perbandingan yang menunjukkan Cartesia Sonic 3.6 membutuhkan 143 milidetik untuk mengembalikan byte pertama, sementara AssemblyAI-TTS-1 mengembalikannya dalam 47 — sebuah pengujian yang dijalankan AssemblyAI, pada perangkat kerasnya sendiri, dan diterbitkan tentang pesaing yang telah menghabiskan dua tahun memasarkan dirinya sebagai TTS tercepat di pasar. Angka dari vendor Sonic 3.6 sendiri adalah di bawah 90 ms waktu ke audio pertama, yang bukan pengukuran yang sama, pada jaringan yang tidak sama, dan kedua angka itu telah dikutip saling berhadapan sejak saat itu. Benturan itulah inti jujur dari perbandingan ini: satu model adalah pemimpin kualitas dan bahasa dengan $49 per juta karakter, yang lain adalah penantang harga dan throughput dengan $15, dan tidak ada yang memiliki angka latensi yang telah dikonfirmasi oleh pihak netral.

Semua yang di bawah ini bertanggal. Angka Artificial Analysis dibaca pada 30 Oktober 2026 dan papan peringkat bergeser hingga puluhan Elo dalam hitungan minggu; Sonic 3.6 sendiri telah bergeser dari peringkat pertama ke keempat sejak Agustus. Klaim vendor diberi label sebagai klaim vendor. Dua titik data latensi independen yang ada — pengujian lab AssemblyAI dan pengukuran streaming Cekura — mengukur hal yang berbeda dan disajikan sebagai demikian alih-alih dirata-ratakan menjadi satu fakta pura-pura.

Di mana posisi mereka sebenarnya, per hari ini

Cartesia Sonic 3.6 diluncurkan pada pertengahan Agustus 2026 dan dalam hitungan hari langsung menempati posisi pertama di kedua arena suara Artificial Analysis — skor 1.282 pada Provider Voice dan 1.123 pada Controlled Voice, keduanya sebagaimana tercatat saat itu. Dua setengah bulan kemudian, dengan masuknya entri-entri baru, ia memegang 1.296 dan peringkat keempat pada Provider Voice, serta 1.147 dan peringkat keenam pada Controlled Voice. Skornya naik 14 poin dan peringkatnya turun tiga posisi. Begitulah cara kerja papan peringkat yang bergerak cepat, dan itulah sebabnya kolom peringkat dalam tulisan peluncuran mana pun cepat kedaluwarsa.

• Penyedia Suara — Cartesia Sonic 3.6 1.296, peringkat ke-4 vs AssemblyAI-TTS-1 1.227, peringkat ke-14

• Suara Terkontrol (delapan suara kloning bersama) — Cartesia Sonic 3.6 1,147, ke-6 vs AssemblyAI-TTS-1 1,108, ke-10

• Harga per juta karakter — $49 vs $15

• Bahasa — 44 vs 6 (Inggris, Spanyol, Prancis, Jerman, Italia, Portugis)

• Throughput (Artificial Analysis) — 148,6 karakter per detik vs 162

• Keandalan pengucapan (Artificial Analysis) — AssemblyAI 81,7%, peringkat ke-16, dibandingkan posisi Sonic yang lebih rendah pada tes string sulit pihak ketiga

• Penagihan suara kloning — Cartesia mengenakan biaya 1,5x untuk suara kloning dibandingkan tarif tetap AssemblyAI yang sudah termasuk kloning

Kedua selisih tersebut tidak sama besarnya. Enam puluh sembilan Elo pada Provider Voice adalah perbedaan kualitas yang nyata dan terlihat — kira-kira sebesar jarak antara model-model yang berdekatan di tengah papan peringkat, dan cukup besar sehingga pendengar buta pun memiliki preferensi. Tiga puluh tujuh Elo pada Controlled Voice lebih kecil dan berada dalam rentang di mana satu putaran evaluasi dapat menggeser model beberapa peringkat. Secara sederhana: Sonic 3.6 terdengar lebih baik dengan suaranya sendiri, dan keduanya cukup berdekatan dengan suara hasil kloning sehingga detail penerapan yang menentukan. Selisih harga 3,3x tidak bisa dibilang berdekatan dalam hal apa pun.

Argumen tentang latensi, disampaikan dalam tiga cara

Ada tiga pengukuran dan tidak satu pun darinya menjawab pertanyaan itu, jadi ada baiknya bersikap tepat tentang apa yang ditunjukkan masing-masing.

Yang pertama adalah uji lab milik AssemblyAI sendiri. Tiga puluh prompt, tiga ronde, empat suara bawaan per model, satu permintaan pada satu waktu, klien tunggal. Waktu median hingga byte pertama: AssemblyAI 47 ms, ElevenLabs Flash v2.5 119 ms, Cartesia Sonic 3.6 143 ms, ElevenLabs v4 612 ms. Ini adalah uji yang bersih dan dijelaskan dengan baik, dengan keterbatasan yang jelas — permintaan berurutan mengukur model, bukan layanan. Uji ini tidak dapat menunjukkan antrean, perebutan konkurensi, atau biaya jaringan lintas wilayah. Uji ini juga punya masalah insentif: vendor yang menerbitkan tabel itulah vendor yang memenangkannya.

Yang kedua adalah klaim Cartesia sendiri: waktu hingga audio pertama di bawah 90 ms, yang menurut perusahaan hanya mencakup model dan tidak termasuk jaringan. Perhatikan perubahan unitnya. 47 ms milik AssemblyAI adalah byte pertama; 90 ms milik Sonic adalah audio pertama; keduanya merupakan momen yang berbeda dalam pipeline streaming, dan byte pertama dapat tiba jauh sebelum frame tersintesis pertama. Membandingkan keduanya secara langsung adalah kesalahan paling umum dalam liputan peluncuran ini.

Yang ketiga adalah pengukuran streaming independen Cekura, yang menempatkan AssemblyAI-TTS-1 pada median 159 ms untuk kalimat bergaya agen — peringkat kedelapan dari sembilan belas sistem, bukan pertama. Itu dua kali angka produksi vendor dan kira-kira sejalan dengan apa yang dilakukan jalur jaringan nyata terhadap angka lab yang bersih. Tidak ada angka independen yang setara untuk Sonic 3.6 dalam pengujian yang sama, yang berarti pernyataan yang jujur bukanlah "AssemblyAI lebih cepat" melainkan "AssemblyAI lebih cepat dalam tes yang dirancangnya sendiri, dan tidak ada model yang dilombakan oleh lab netral pada hari yang sama."

Throughput adalah perbandingan yang lebih bersih karena Artificial Analysis mengukurnya dengan cara yang sama untuk keduanya. Pada 162 karakter per detik versus 148,6, AssemblyAI menghasilkan audio sekitar 9% lebih cepat — keunggulan yang jauh lebih kecil daripada yang tersirat oleh angka byte pertama, dan tidak relevan untuk agen langsung di mana kedua model sudah beberapa kali lebih cepat daripada waktu nyata. Yang penting dalam produksi adalah latensi ekor dan keandalan saat konkurensi, dan tidak ada vendor yang telah menerbitkan angka p99.

Apa saja yang termasuk dalam selisih harga

$49 Cartesia bukan tarif tetap all-in seperti $15 AssemblyAI. Sonic 3.6 menagih suara hasil kloning sebesar 1,5 kali tarif standar, yang mendorong agen yang menggunakan suara kustom menjadi sekitar $73,50 per juta karakter — sekitar 4,9 kali tarif AssemblyAI. AssemblyAI mengenakan biaya $15 untuk suara pustaka maupun hasil kloning, termasuk stempel waktu kata, pemrosesan di AS atau UE, dan konkurensi tanpa batas, tanpa pembelian tier dan tanpa komitmen tahunan. Cartesia menjual kredit melalui paket dengan harga bulanan gratis, $5, $49, dan $299, dan tier gratisnya melarang penggunaan komersial.

Dihitung berdasarkan skrip, bukan kartu tarif: satu juta karakter kira-kira setara dengan 18 jam ucapan jadi pada tempo bicara normal, sehingga AssemblyAI sekitar 81 sen per jam jadi dibandingkan sekitar $2,70 untuk Sonic 3.6 pada harga daftar, atau sekitar $4,05 setelah suara hasil kloning ditagih pada tarif 1,5x. Untuk operasi seratus ribu jam per bulan, itu adalah selisih antara pos biaya $81.000 dan $270.000. Tidak ada aspek kualitas suara yang dengan sendirinya membenarkan pengali 3,3x; argumen untuk Cartesia harus dibangun berdasarkan cakupan, kontrol, dan keandalan, bukan Elo.

Bahasa dan kontrol, di mana Cartesia masih menang dengan mudah

Empat puluh empat bahasa yang dilokalkan versus enam adalah kesenjangan fungsional terbesar dalam perbandingan ini, dan itu bukan kesenjangan yang bisa ditutup oleh penurunan harga. AssemblyAI menyediakan bahasa Inggris, Spanyol, Prancis, Jerman, Italia, dan Portugis dengan berbagai aksen serta telah menjanjikan lebih banyak bahasa tanpa tanggal pasti. Jika agen Anda melayani pasar Eropa di luar keenam bahasa tersebut — Polandia, Belanda, Swedia, Yunani — Sonic 3.6 adalah satu-satunya pilihan di antara keduanya, dan selisih harga tidak lagi menjadi masalah.

Kesenjangan dalam hal kontrol berjalan ke arah yang sama. AssemblyAI-TTS-1 tidak memiliki SSML, tidak ada parameter kecepatan, tidak ada kamus pelafalan, dan tidak ada tag emosi pada saat peluncuran; halaman peluncuran vendor itu sendiri menggambarkan emosi sebagai fitur bawaan model, sementara FAQ-nya mengonfirmasi bahwa kontrol khusus tidak tersedia. Produk Cartesia dibangun di sekitar ucapan yang dapat dikendalikan — penanganan kecepatan, emosi, dan pelafalan merupakan bagian dari penawarannya. Untuk narasi berskrip, dubbing, atau beban kerja apa pun yang temponya harus diarahkan, AssemblyAI saat ini meminta Anda menulis ulang teks untuk mendapatkan penyampaian yang Anda inginkan, yang merupakan pekerjaan yang tidak dapat Anda tagihkan kepada siapa pun.

Satu-satunya area di mana AssemblyAI unggul dalam hal kapabilitas justru adalah area di mana Cartesia paling lemah: string yang sulit. Artificial Analysis menempatkan ketahanan pengucapan AssemblyAI pada 81,7%, peringkat keenam belas pada papan tersebut, dan evaluasi AssemblyAI sendiri menempatkan akurasi entitas pada 93,7% untuk nomor telepon, URL, dan kode dibandingkan dengan 82,5% untuk Sonic 3.6 — perbandingan vendor, yang dijalankan oleh vendor, dan selisih 11 poin yang terlalu besar untuk diabaikan sebagai noise metodologi. Satu uji independen (milik Gradium) menempatkan skor kasus sulit Sonic pada 75,1%. Untuk IVR, pembacaan ulang, dan kode konfirmasi, itulah angka yang menentukan penerapan.

Siapa yang harus mengambil yang mana

Pilih AssemblyAI-TTS-1 ketika beban kerja bervolume tinggi, mencakup bahasa Inggris ditambah lima bahasa, dan banyak berisi pembacaan terstruktur — nomor pesanan, alamat, kode, dosis — di mana keunggulan akurasi entitas dan tarif tetap $15 saling memperkuat. Pilih Cartesia Sonic 3.6 ketika Anda membutuhkan lebih dari enam bahasa, ketika penyampaian harus diarahkan alih-alih ditulis ulang, ketika Anda mengkloning suara dan dapat menyerap penagihan 1,5x, atau ketika kesenjangan kealamian pada Provider Voice adalah hal yang didengar pengguna Anda. Perbedaan 37 poin dalam arena terkontrol cukup kecil sehingga agen yang dibangun dengan baik pada salah satu model akan terdengar baik; perbedaan 69 poin antarpenyedia adalah yang disadari pendengar.

Ada opsi ketiga yang tidak diiklankan oleh kedua vendor, dan itulah yang paling banyak dipilih tim: jalankan keduanya dan biarkan lalu lintas menentukan. Dua jalur TTS di balik satu aturan perutean memungkinkan Anda mengirim ujaran yang banyak berisi pembacaan ulang ke model yang membaca kode dengan benar dan narasi ke model yang terdengar lebih baik, tanpa memelihara dua jalur integrasi. Itulah kasus yang dibuat oleh lapisan perutean untuk dirinya sendiri — lebih dari 200 model di balik satu API dengan markup 0% dan harga daftar diteruskan apa adanya, sehingga penurunan harga dari sisi mana pun berlaku pada hari yang sama, plus DSL perutean untuk memisahkan lalu lintas berdasarkan beban kerja, bukan tebakan. Baik AssemblyAI-TTS-1 maupun Cartesia Sonic 3.6 tidak ada dalam katalog OrcaRouter saat ini, jadi ini adalah gambaran untuk perbandingan, bukan klaim tentang menghostingnya; model TTS yang kami rutekan — tts-1 dari OpenAI, tts-1-hd dan gpt-4o-mini-tts, serta Gemini 3.1 Flash TTS Preview dari Google — mencakup jalur kedua sementara kedua pemimpin dievaluasi pada lalu lintas Anda sendiri.

Apa yang sebenarnya akan menyelesaikannya

Laboratorium netral yang menjalankan kedua model pada perangkat keras yang sama, jalur jaringan yang sama, dan profil beban yang sama akan mengakhiri perdebatan latensi dalam satu sore, dan belum ada yang melakukannya. Sampai saat itu, posisi yang dapat dipertahankan adalah bahwa AssemblyAI lebih cepat dalam pengujiannya sendiri dan mungkin lebih cepat dalam kenyataan, Cartesia adalah model yang terdengar lebih baik dengan cakupan yang jauh lebih luas, dan selisih harganya cukup besar sehingga keunggulan kualitas Sonic 3.6 harus bernilai 3,3x per karakter — atau, pada suara hasil kloning, 4,9x — bagi pembeli yang membayarnya.

Dua perkembangan lain akan mengubah jawabannya lebih dari benchmark apa pun. Jika AssemblyAI merilis SSML dan kamus pengucapan, batas enam bahasa menjadi satu-satunya keberatan fungsional yang tersisa dan argumen harga menjadi sangat sulit dibantah. Jika Cartesia memangkas tarifnya mendekati titik terendah baru pasar, atau memperluas penagihan suara kloningnya, keunggulan cakupan menjadi terjangkau. Perhatikan kedua langkah itu, bukan pembacaan Elo berikutnya — di papan tempat sebuah model dapat memperoleh 14 poin dan kehilangan tiga peringkat dalam sepuluh minggu, peringkat hanyalah derau dan harga adalah sinyal.