AssemblyAI-TTS-1 vs Cartesia Sonic 3.6: lo sfidante ha misurato l'incumbent a 143 ms

La frase più utile nel post di lancio di AssemblyAI non riguarda il suo stesso modello. È una riga in una tabella comparativa che mostra Cartesia Sonic 3.6 impiegare 143 millisecondi per restituire un primo byte mentre AssemblyAI-TTS-1 ne restituiva uno in 47 — un test che AssemblyAI ha eseguito, sul proprio hardware, e pubblicato su un concorrente che ha passato due anni a promuoversi come il TTS più veloce sul mercato. Il dato del fornitore di Sonic 3.6 è inferiore a 90 ms di tempo al primo audio, che non è la stessa misurazione, su una rete non identica, e i due numeri sono stati citati l'uno contro l'altro da allora. Questa collisione è il centro onesto di questo confronto: un modello è il leader per qualità e lingue a 49 $ per milione di caratteri, l'altro è lo sfidante per prezzo e throughput a 15 $, e nessuno dei due ha un numero di latenza confermato da una parte neutrale.

Tutto ciò che segue è datato. I dati di Artificial Analysis sono stati consultati il 30 ottobre 2026 e le classifiche variano di decine di punti Elo nel giro di poche settimane; Sonic 3.6 è passato esso stesso dal primo al quarto posto da agosto. Le dichiarazioni dei fornitori sono etichettate come dichiarazioni dei fornitori. I due punti dati indipendenti sulla latenza disponibili — l'esecuzione di laboratorio di AssemblyAI e la misurazione in streaming di Cekura — misurano cose diverse e sono presentati come tali, anziché essere mediati in un unico presunto fatto.

Dove si trovano effettivamente, ad oggi

Cartesia Sonic 3.6 è stato lanciato a metà agosto 2026 e in pochi giorni ha conquistato il primo posto in entrambe le arene vocali di Artificial Analysis: 1.282 su Provider Voice e 1.123 su Controlled Voice, entrambi rilevati all'epoca. Due mesi e mezzo di nuove voci più tardi, mantiene 1.296 e il quarto posto su Provider Voice, e 1.147 e il sesto posto su Controlled Voice. Il suo punteggio è aumentato di 14 punti e la sua posizione è scesa di tre posti. È quello che fa una classifica in rapido movimento, ed è per questo che la colonna della posizione in qualsiasi resoconto di lancio invecchia male.

• Voce provider — Cartesia Sonic 3.6 1.296, 4° vs AssemblyAI-TTS-1 1.227, 14°

• Voce controllata (otto voci clonate condivise) — Cartesia Sonic 3.6 1.147, 6º vs AssemblyAI-TTS-1 1.108, 10º

• Prezzo per milione di caratteri — 49 $ rispetto a 15 $

• Lingue — 44 vs 6 (inglese, spagnolo, francese, tedesco, italiano, portoghese)

• Throughput (Artificial Analysis) — 148,6 caratteri al secondo rispetto a 162

• Robustezza della pronuncia (Artificial Analysis) — AssemblyAI 81,7%, al 16º posto rispetto alla posizione inferiore di Sonic nei test di stringhe difficili di terze parti

• Fatturazione per voci clonate — Cartesia addebita 1,5 volte per le voci clonate rispetto alla tariffa fissa di AssemblyAI che include la clonazione

Le due differenze non hanno la stessa entità. Sessantanove punti Elo su Provider Voice sono una differenza di qualità reale e visibile — all'incirca la distanza tra modelli adiacenti a metà della classifica, e sufficiente perché un ascoltatore in cieco abbia una preferenza. Trentasette punti Elo su Controlled Voice sono una differenza minore e ricadono nell'intervallo in cui un singolo ciclo di valutazione può spostare un modello di diverse posizioni. In termini semplici: Sonic 3.6 suona meglio con le proprie voci, e con una voce clonata i due sono abbastanza vicini che sono i dettagli del deployment a decidere. Un divario di prezzo di 3,3x non è vicino per nessun criterio.

L'argomento della latenza, raccontato in tre modi

Esistono tre misurazioni e nessuna di esse risolve la questione, quindi vale la pena essere precisi su ciò che ciascuna mostra.

Il primo è il test di laboratorio interno di AssemblyAI. Trenta prompt, tre round, quattro voci standard per modello, una richiesta alla volta, un singolo client. Tempo mediano al primo byte: AssemblyAI 47 ms, ElevenLabs Flash v2.5 119 ms, Cartesia Sonic 3.6 143 ms, ElevenLabs v4 612 ms. È un test pulito e ben descritto, con un limite evidente: le richieste sequenziali misurano il modello, non il servizio. Non può mostrare accodamento, contesa di concorrenza o costo di rete tra regioni. Ha anche un problema di incentivi: il fornitore che pubblica la tabella è il fornitore che la vince.

Il secondo è un'affermazione di Cartesia stessa: un tempo fino al primo audio inferiore a 90 ms, che l'azienda descrive come relativo solo al modello ed escludendo la rete. Notare il cambio di unità. I 47 ms di AssemblyAI si riferiscono a un primo byte; i 90 ms di Sonic al primo audio; sono momenti diversi in una pipeline di streaming, e un primo byte può arrivare molto prima del primo frame sintetizzato. Confrontarli direttamente è l'errore più comune nella copertura di questo lancio.

Il terzo è la misurazione indipendente dello streaming di Cekura, che ha collocato AssemblyAI-TTS-1 a una mediana di 159 ms su frasi in stile agente — ottavo su diciannove sistemi, non primo. È il doppio del dato di produzione del fornitore e grosso modo in linea con l'effetto che un percorso di rete reale ha su un numero pulito da laboratorio. Nessun dato indipendente equivalente per Sonic 3.6 era disponibile nella stessa esecuzione, il che significa che l'affermazione onesta non è "AssemblyAI è più veloce", ma "AssemblyAI è più veloce in un test che ha progettato, e nessuno dei due modelli è stato sottoposto a un test comparativo da un laboratorio neutrale nello stesso giorno".

Il throughput è il confronto più pulito perché Artificial Analysis lo misura allo stesso modo per entrambi. A 162 caratteri al secondo contro 148,6, AssemblyAI genera audio circa il 9% più velocemente — un vantaggio molto più contenuto di quanto lascino intendere i numeri sul primo byte, e irrilevante per un agente live in cui entrambi i modelli sono già diverse volte più veloci del tempo reale. Ciò che conta in produzione è la latenza di coda e l'affidabilità in condizioni di concorrenza, e nessuno dei due fornitori ha pubblicato un valore p99.

Cosa comprende la differenza di prezzo

Il prezzo di $49 di Cartesia non è una tariffa unica tutto incluso come lo è il $15 di AssemblyAI. Sonic 3.6 fattura le voci clonate a 1,5 volte la tariffa standard, il che porta un agente che utilizza voci personalizzate a circa $73,50 per milione di caratteri, ovvero circa 4,9 volte la tariffa di AssemblyAI. AssemblyAI addebita $15 sia per le voci della libreria sia per le voci clonate, include timestamp a livello di parola, elaborazione negli Stati Uniti o nell'UE e concorrenza illimitata, senza acquisto di livelli e senza impegno annuale. Cartesia vende crediti tramite piani con soglie mensili gratuite, da $5, $49 e $299, e il suo piano gratuito vieta l'uso commerciale.

Calcolato su uno script invece che su un tariffario: un milione di caratteri equivale a circa 18 ore di audio finito a un ritmo di parlato normale, il che rende AssemblyAI circa 81 centesimi per ora di audio finito contro circa $2,70 per Sonic 3.6 a listino, oppure circa $4,05 una volta che le voci clonate vengono fatturate al tasso 1,5x. Per un'attività da centomila ore al mese, è la differenza tra una voce di costo da $81.000 e una da $270.000. Nulla nella qualità della voce giustifica da solo un moltiplicatore di 3,3x; il caso a favore di Cartesia va costruito su copertura, controlli e affidabilità, non sull'Elo.

Lingue e controlli, ambiti in cui Cartesia vince ancora nettamente

Quarantaquattro lingue localizzate contro sei è il più grande divario funzionale in questo confronto, e non è un divario che un taglio di prezzo colma. AssemblyAI offre inglese, spagnolo, francese, tedesco, italiano e portoghese con molteplici accenti e ha promesso altre lingue senza una data. Se il tuo agente serve mercati europei al di fuori di quelle sei — polacco, olandese, svedese, greco — Sonic 3.6 è l'unica opzione delle due, e la differenza di prezzo smette di contare.

Il divario nei controlli va nella stessa direzione. AssemblyAI-TTS-1 non dispone di SSML, né di un parametro di velocità, né di un dizionario di pronuncia, né di tag per le emozioni al lancio; la stessa pagina di lancio del fornitore descrive l'emozione come nativa del modello, mentre le sue FAQ confermano che i controlli dedicati non sono disponibili. Il prodotto di Cartesia è costruito intorno al parlato orientabile — velocità, emozione e gestione della pronuncia fanno parte dell'offerta. Per la narrazione con copione, il doppiaggio o qualsiasi attività in cui il ritmo debba essere diretto, AssemblyAI attualmente chiede di riscrivere il testo per ottenere la resa desiderata, un lavoro che non puoi fatturare a nessuno.

L'unico ambito in cui AssemblyAI è in vantaggio quanto a capacità è esattamente quello in cui Cartesia è più debole: le stringhe difficili. Artificial Analysis colloca la robustezza di pronuncia di AssemblyAI all'81,7%, sedicesima in quella classifica, e la valutazione interna di AssemblyAI fissa l'accuratezza sulle entità al 93,7% per numeri di telefono, URL e codici, contro l'82,5% di Sonic 3.6 — un confronto tra fornitori, condotto dal fornitore, con una differenza di 11 punti troppo ampia per essere liquidata come rumore metodologico. Un test indipendente (quello di Gradium) ha attribuito a Sonic un punteggio del 75,1% sui casi difficili. Per IVR, riletture e codici di conferma, è quel numero a decidere il deployment.

Chi dovrebbe prendere quale

Scegli AssemblyAI-TTS-1 quando il carico di lavoro è ad alto volume, inglese più cinque lingue, e con forte presenza di lettura strutturata — numeri d'ordine, indirizzi, codici, dosaggi — dove il vantaggio di accuratezza sulle entità e la tariffa fissa di 15 $ si sommano. Scegli Cartesia Sonic 3.6 quando hai bisogno di più di sei lingue, quando la resa deve essere diretta anziché riscritta, quando stai clonando voci e puoi assorbire la fatturazione 1,5x, o quando il divario di naturalezza su Provider Voice è ciò che i tuoi utenti sentono. La differenza di 37 punti nell'arena controllata è abbastanza piccola perché un agente ben costruito su entrambi i modelli suoni bene; la differenza di 69 punti tra provider è quella che un ascoltatore nota.

Esiste una terza opzione che nessuno dei due vendor pubblicizza, ed è quella su cui si orientano la maggior parte dei team: eseguirli entrambi e lasciare che sia il traffico a decidere. Due gambe TTS dietro un'unica regola di routing consentono di inviare enunciati con molti readback al modello che legge correttamente i codici e la narrazione al modello che suona meglio, senza mantenere due percorsi di integrazione. È il caso che un layer di routing crea per sé — oltre 200 modelli dietro un'unica API a markup 0% con i prezzi di listino passati attraverso, così un taglio da una parte o dall'altra si ripercuote lo stesso giorno, e il DSL di routing per suddividere il traffico per carico di lavoro invece che per supposizioni. Né AssemblyAI-TTS-1 né Cartesia Sonic 3.6 sono oggi nel catalogo OrcaRouter, quindi questa è una configurazione per il confronto più che un'affermazione sul fatto che li ospitiamo; i modelli TTS che instradiamo — tts-1 di OpenAI, tts-1-hd e gpt-4o-mini-tts, e Gemini 3.1 Flash TTS Preview di Google — coprono la seconda gamba mentre i due leader vengono valutati sul vostro traffico.

Cosa lo risolverebbe davvero

Un laboratorio neutrale che esegua entrambi i modelli sullo stesso hardware, lo stesso percorso di rete e lo stesso profilo di carico chiuderebbe la discussione sulla latenza in un pomeriggio, e nessuno l'ha fatto. Fino ad allora, la posizione difendibile è che AssemblyAI è più veloce nel proprio test e possibilmente più veloce nella realtà, Cartesia è il modello dal suono migliore con una copertura molto più ampia, e il divario di prezzo è abbastanza ampio da rendere il vantaggio qualitativo di Sonic 3.6 meritevole di 3,3x per carattere — o, sulle voci clonate, 4,9x — per l'acquirente che lo paga.

Altri due sviluppi sposterebbero la risposta più di qualsiasi benchmark. Se AssemblyAI rilascia SSML e dizionari di pronuncia, il limite di sei lingue diventa l'unica obiezione funzionale rimasta e la questione del prezzo diventa molto difficile da contestare. Se Cartesia riduce la sua tariffa verso il nuovo minimo del mercato, o estende la fatturazione per le voci clonate, il vantaggio di copertura diventa accessibile. Tieni d'occhio quelle due mosse invece della prossima lettura Elo — in una classifica in cui un modello può guadagnare 14 punti e perdere tre posizioni in dieci settimane, la posizione è rumore e il prezzo è segnale.