Rime Prism vs Cartesia Sonic 3.6: Berhenti Membandingkan 90 ms dengan 570 ms

Cartesia Sonic 3.6 menjawab dalam waktu kurang dari 90 milidetik. Rime Prism menjawab dalam sekitar 570. Jika kalimat itu adalah keseluruhan perbandingan Anda, Anda sudah mencapai kesimpulan yang melenceng dengan faktor dua ke arah yang salah — karena kedua angka itu tidak dimulai pada momen yang sama. 90 ms milik Sonic 3.6 adalah waktu dari teks tiba di penyintesis hingga sampel audio pertama. 570 ms milik Rime Prism adalah waktu dari penelepon selesai mengucapkan kalimatnya hingga agen mengeluarkan suara. Di antara kedua peristiwa itu terdapat proses pengenalan suara dan satu putaran model bahasa penuh, yang keduanya tidak dilakukan Sonic 3.6. Tempatkan keduanya pada jam yang sama dan selisihnya menyempit menjadi sesuatu yang hampir tidak dapat dibedakan oleh penelepon, lalu keputusan menjadi soal harga, cakupan bahasa, dan apakah seseorang harus menyetujui apa yang diucapkan.

Kedua model merupakan model terkini dan keduanya sudah tersedia. Cartesia Sonic 3.6 mulai tersedia secara umum pada 27 Agustus 2026 sebagai model text-to-speech streaming yang menduduki puncak kedua arena speech Artificial Analysis saat peluncuran — dan sejak itu telah disalip ketika suara-suara yang lebih baru bergabung ke papan peringkat. Rime Prism diluncurkan pada 28 Oktober 2026 sebagai model speech-to-speech dengan biaya $0.080 per menit audio panggilan yang mengeluarkan balasannya sebagai teks sebelum mengucapkannya. Satu adalah komponen, satu adalah sistem, dan perbandingan yang menarik adalah berapa biaya masing-masing saat Anda merakit agen suara yang berfungsi di sekitarnya.

Apa itu Sonic 3.6, secara tepat

Ini adalah model text-to-speech, dan salah satu yang baik berdasarkan bukti yang tersedia. Aliran data lebih penting daripada pemasaran: WebSocket, Server-Sent Events, dan byte mentah semuanya didukung, yang membuat model TTS dapat digunakan dalam panggilan langsung, bukan hanya dalam pekerjaan batch.

• Cakupan — 44 bahasa di 61 lokal, termasuk Hindi dan Hinglish.

• Suara — kloning instan 10 detik dari klip referensi; tidak ada jumlah resmi suara bawaan yang dipublikasikan untuk rilis ini.

• Kontrol — lebih dari 60 tag emosi dan penyampaian, hanya bahasa Inggris; kecepatan dari 0.6x hingga 1.5x.

• Audio — keluaran 8 kHz hingga 48 kHz dalam format WAV, MP3, atau PCM, dengan jendela konteks 3.000 token.

• Latensi — waktu hingga audio pertama yang dinyatakan vendor di bawah 90 ms pada sekitar 132 karakter per detik, secara streaming.

• Arena — Artificial Analysis Provider Voice Elo sekitar 1.282 dan Controlled Voice sekitar 1.123 saat peluncuran, saat itu berada di puncak kedua tabel, sejak itu posisinya telah bergeser.

• Keterbukaan — tanpa bobot. Sonic 3.6 adalah model yang dihosting, seperti Prism.

Cartesia juga memensiunkan beberapa model lama pada 20 Oktober 2026 — sonic-turbo, sonic-2, dan snapshot sonic-3-2025-10-27 — dan Sonic 3.5 tetap terdaftar sebagai stabil bersama 3.6. Jika Anda bermigrasi, periksa generasi mana yang sebenarnya menjadi tujuan integrasi Anda, karena fallback ke model yang telah dipensiunkan merupakan kegagalan senyap.

Aritmetika 90 ms vs 570 ms, dilakukan dengan benar

Inilah bagian yang dilewatkan oleh setiap halaman peringkat. Kaskade Sonic 3.6 memiliki tiga clock yang berjalan secara seri:

• Pengenalan ucapan dari ujaran pemanggil — biasanya beberapa ratus milidetik bagi pengenal streaming untuk menyelesaikan kalimat.

• Giliran model bahasa — komponen variabel, berkisar dari 200 ms untuk konfirmasi singkat hingga jauh lebih dari satu detik jika agen melakukan penalaran sebelum membalas.

• Hop sintesis Sonic 3.6 — di bawah 90 ms pada laju yang diuji vendor dengan jaringan dikecualikan; pengukuran end-to-end independen pada jalur panggilan Cartesia langsung mencapai beberapa kali lebih tinggi setelah dua hop lainnya dihitung.

Tambahkan ketiga bagian tengah dan cascade yang disetel dengan baik akan berada di antara 800 md dan 1,5 detik dari akhir ucapan penelepon hingga audio agen pertama. 0,57 detik Prism mencakup semuanya. Jadi pada jalur lengkap, Prism tidak lebih lambat daripada Sonic 3.6 — Prism lebih cepat daripada pipeline tempat Sonic 3.6 berada, sekitar dua kali lipat pada ujung rentang yang baik.

Itu hanya berbalik pada satu arsitektur: jika giliran model bahasa Anda sangat singkat dan pengenal Anda sangat cepat, kaskade Sonic juga bisa mencapai audio pertama dalam sekitar setengah detik, dan pada saat itu hop 90 ms benar-benar menjadi alasannya. Artinya, 90 ms itu adalah pencapaian rekayasa yang nyata dan ia memang melakukan kerja — hanya saja bukan kerja yang tersirat oleh tabel perbandingan itu.

Framing yang jujur adalah yang didukung oleh angka Cartesia sendiri. Sub-90 ms adalah hop sintesis tercepat di pasar, dan diukur dengan jaringan dikecualikan. Angka 570 ms milik Prism adalah angka dari vendor, yang diukur pada harness τ-Voice oleh Rime sendiri, bukan oleh laboratorium netral. Tidak ada perusahaan yang menerbitkan perbandingan langsung, dan belum ada yang menjalankan keduanya pada jalur panggilan yang sama. Apa pun yang menyajikan keduanya sebagai pertandingan latensi yang setara sedang mengarang hasil.

Harga per menit, di situlah letak kesenjangan sebenarnya.

Cartesia menagih per karakter: kira-kira satu kredit per karakter, yang dinormalisasi Artificial Analysis menjadi sekitar $49 per juta karakter. Dokumentasi Rime sendiri mengonversi karakter ke menit pada kira-kira 1.000 per menit ucapan, yang menempatkan Sonic 3.6 mendekati $0,049 per menit audio yang dihasilkan. Laju bicara yang lebih cepat — 132 karakter per detik yang menjadi benchmark Cartesia — menurunkannya menjadi sekitar $0,034. Sebut saja tiga hingga lima sen per menit, tergantung seberapa cepat agen Anda berbicara.

Prism adalah $0.080 per menit audio panggilan di Flex dan $0.064 di Scale. Namun, menit Prism bukanlah menit yang sama. Penagihannya didasarkan pada audio panggilan, bukan pada ucapan agen, sehingga panggilan ketika penelepon berbicara separuh waktu memakan biaya Prism yang sama dengan panggilan ketika agen tidak pernah berhenti berbicara. Perbedaan itu saja dapat menggeser perbandingan efektif sebesar sepertiga ke arah mana pun, dan itulah hal pertama yang harus dimodelkan saat Anda menghitung biaya uji coba.

Sekarang susun kaskade itu. Sonic 3.6 dengan empat sen, pengenalan suara dengan setengah sen hingga satu sen, dan model bahasa yang biayanya beberapa sen per menit pada volume token percakapan — Anda berada di sekitar delapan hingga sepuluh sen per menit yang diucapkan agen, sebelum infrastruktur apa pun. Prism dengan delapan sen bukanlah produk premium dalam kerangka itu. Harganya sama untuk satu tagihan, satu kontrak, dan satu anggaran latensi, bukan tiga.

Struktur paket Cartesia memperkuat hal ini. Free dengan 20.000 kredit dan 2 aliran bersamaan; Pro seharga $5 untuk 100.000 kredit dan 3 aliran bersamaan; Startup seharga $49 untuk 1,25 juta kredit dan 5 aliran bersamaan; Scale seharga $299 untuk 8 juta kredit dan 15 aliran bersamaan; Enterprise kustom dengan DPA, BAA, dan deployment regional. Konkurensi dibatasi berdasarkan tier, yang bagi pusat kontak adalah angka yang benar-benar mengikat — 15 aliran bersamaan di Scale adalah antrean berukuran menengah yang sibuk, bukan antrean besar.

Cakupan bahasa versus kontrol: trade-off yang menentukan

Cartesia menang dalam hal cakupan dengan selisih yang besar dan terukur. Empat puluh empat bahasa di 61 locale adalah daftar yang dipublikasikan dan dapat diuji. Rime sama sekali tidak memublikasikan jumlah bahasa Prism, meskipun produk text-to-speech terpisahnya memublikasikan jumlah bahasa mereka — tetapi angka khusus Prism tidak ada di halaman produk. Jika Anda perlu meluncur di lima belas pasar kuartal depan, ketiadaan itu saja sudah mendiskualifikasi, dan Sonic 3.6 adalah jawabannya terlepas dari apa pun else in this article.

Prism memenangkan kendali, dan dengan margin yang bersifat struktural, bukan inkremental. Sonic 3.6 menerima teks final. Ia dapat menampilkan teks itu dengan lebih dari 60 tag emosi dan dapat mengucapkannya pada kecepatan 1,5x, tetapi tidak dapat menolaknya. Prism menghasilkan teks itu sendiri, satu langkah sebelum ucapan, dan Rime mengatakan aplikasi dapat menulis ulang, memblokir, menandai, atau mengoreksi pelafalan pada titik itu saat panggilan berlangsung. Pengungkapan yang diatur, klaim yang tidak boleh dibuat, nama merek pesaing yang tidak boleh diucapkan — hal-hal itu berada di titik pemeriksaan, bukan dalam teks yang Anda serahkan kepada sintesiser.

Anda dapat membangun kendali yang sama dalam Sonic cascade. Tempatkan pemeriksaan kebijakan di antara model bahasa dan sintesiser, dan Anda memiliki checkpoint-nya. Yang tidak Anda miliki adalah model yang bernalar atas audio dalam proses yang sama, dan itulah separuh kedua dari klaim Prism: nada, keraguan, dan kebisingan latar memengaruhi balasan alih-alih lebih dulu diratakan menjadi transkrip. Apakah hal itu sepadan dengan delapan sen versus empat sen adalah pertanyaan tentang panggilan Anda, bukan tentang modelnya.

Keduanya bisa di-streaming, tapi tidak satu pun ada di katalog kami

Prism dijual langsung oleh Rime. Sonic 3.6 dijual langsung oleh Cartesia dan melalui beberapa platform pihak ketiga. Keduanya tidak dirutekan oleh OrcaRouter saat ini, dan tidak ada bagian dalam tulisan ini yang boleh ditafsirkan sebagai klaim sebaliknya.

Apa yang kami kerjakan dengan route adalah lapisan yang menjadi tumpuan keduanya. Dalam Sonic cascade, model bahasa di tengah adalah sebuah pilihan, dan pilihan itulah tempat kualitas serta biaya panggilan sebenarnya berada. Satu kunci di OrcaRouter mencakup lebih dari 200 model dengan markup 0% di atas harga daftar penyedia, dengan failover otomatis antarpenyedia, sehingga model percakapan yang macet tidak berujung pada keheningan — permintaannya dialihkan rutenya. DSL routing memungkinkan Anda mengirim giliran pengakuan ke model kecil yang murah dan giliran pencarian ke model yang lebih besar, di dalam satu endpoint, yang merupakan disiplin biaya yang sama seperti yang dibutuhkan cascade dan alasan cascade tetap kompetitif dalam hal harga.

Dan jika Anda menginginkan langkah sintesis terhosting tanpa hubungan vendor kedua, openai/tts-1-hd dan google/gemini-3.1-flash-tts-preview keduanya ada di katalog dengan harga daftar. Mereka bukan Sonic 3.6. Mereka adalah dua ujung lain dari pipeline yang sama, dengan kunci yang sama.

Kesimpulan, dibagi berdasarkan arsitektur

Jika Anda membangun dalam lebih dari beberapa bahasa saja, Cartesia Sonic 3.6 adalah sintesiser yang tepat dan perbandingannya sudah berakhir. Empat puluh empat bahasa adalah fakta; daftar yang belum dipublikasikan bukanlah janji.

Jika Anda membangun pusat kontak pasar tunggal di mana agen tidak boleh mengatakan hal-hal tertentu, Rime Prism adalah satu-satunya dari keduanya yang memiliki tempat berpijak di antara keputusan dan ucapan, dan dengan delapan sen per menit biayanya kurang lebih sama dengan kaskade yang sebaliknya harus Anda rangkai — dengan satu tagihan alih-alih tiga.

Jika Anda berada di antara keduanya, penentu akhirnya adalah latensi saat di bawah beban, bukan latensi pada grafik benchmark. Hop di bawah 90 ms milik Cartesia diukur dengan jaringan dikecualikan, dan deployment yang jauh dari region akan melihat angka yang jauh lebih tinggi. 570 ms milik Prism diukur pada harness yang sama sekali tidak memiliki jaringan. Jalankan keduanya pada jalur panggilan aktual Anda, dari region aktual Anda, sebelum Anda memilih. Angka-angka yang diterbitkan tidak dapat menyelesaikan ini, dan siapa pun yang mengatakan bisa sedang membandingkan dua stopwatch yang berbeda.

Satu catatan penting tentang angka arena, karena angka-angka itu akan dikutip: Elo Artificial Analysis untuk Sonic 3.6 mengukur bagaimana sebuah suara terdengar oleh penilai manusia. Skor 56,6 Prism pada τ-Voice mengukur seberapa sering agen menyelesaikan tugas pada 278 panggilan layanan simulasi. Keduanya bukan instrumen yang sama, tidak menggunakan skala yang sama, dan mengurangkan satu dari yang lain menghasilkan angka yang tidak berarti apa-apa. Sonic 3.6 tidak memiliki skor τ-Voice karena ia bukan agen. Prism tidak memiliki Elo arena karena ia bukan suara. Asimetri itulah keseluruhan perbandingan dalam bentuk mini.