Rime Prism vs Cartesia Sonic 3.6: Smetti di confrontare 90 ms con 570 ms

Cartesia Sonic 3.6 risponde in meno di 90 millisecondi. Rime Prism risponde in circa 570. Se questa frase è tutto il vostro confronto, avete già tratto una conclusione che è sbagliata di un fattore due nella direzione opposta — perché i due numeri non partono nello stesso momento. I 90 ms di Sonic 3.6 sono il tempo che intercorre tra l'arrivo del testo al sintetizzatore e il primo campione audio. I 570 ms di Rime Prism sono il tempo che intercorre tra il momento in cui un chiamante termina la frase e quello in cui l'agente emette un suono. Tra questi due eventi si collocano un passaggio di riconoscimento vocale e un intero turno del modello linguistico, nessuno dei quali viene eseguito da Sonic 3.6. Metteteli sullo stesso orologio e il divario si riduce a qualcosa che un chiamante riesce a malapena a distinguere, e allora la decisione verte sul prezzo, sulla copertura linguistica e sul se qualcuno debba approvare ciò che viene detto.

Entrambi i modelli sono attuali ed entrambi sono già disponibili. Cartesia Sonic 3.6 è entrato in GA il 27 agosto 2026 come modello streaming di sintesi vocale che al lancio ha conquistato il primo posto in entrambe le arene vocali di Artificial Analysis — ed è stato poi superato con l'ingresso di nuove voci nella classifica. Rime Prism è stato lanciato il 28 ottobre 2026 come modello speech-to-speech a $0.080 al minuto di audio della chiamata, che emette la propria risposta come testo prima di pronunciarla. Uno è un componente, l'altro è un sistema, e il confronto interessante è quanto costa ciascuno quando si costruisce attorno ad esso un agente vocale funzionante.

Che cos'è esattamente Sonic 3.6

È un modello text-to-speech, e un buon modello a giudicare dalle prove disponibili. Gli stream contano più del marketing: WebSocket, Server-Sent Events e byte grezzi sono tutti supportati, ed è questo che rende un modello TTS utilizzabile all'interno di una chiamata dal vivo anziché solo in un'attività batch.

• Copertura — 44 lingue in 61 locale, tra cui hindi e hinglish.

• Voci — clonazione istantanea in 10 secondi da una clip di riferimento; nessun conteggio pubblicato delle voci predefinite per questa versione.

• Controllo — più di 60 tag per emozione e dizione, solo in inglese; velocità da 0,6x a 1,5x.

• Audio — output da 8 kHz fino a 48 kHz in WAV, MP3 o PCM, con una finestra di contesto di 3.000 token.

• Latenza — tempo al primo audio dichiarato dal fornitore inferiore a 90 ms a circa 132 caratteri al secondo, in streaming.

• Arena — Artificial Analysis Provider Voice Elo circa 1.282 e Controlled Voice circa 1.123 al lancio, allora in cima a entrambe le classifiche, in seguito spostata.

Apertura — nessun peso. Sonic 3.6 è un modello in hosting, come Prism.

Cartesia ha inoltre ritirato diversi modelli più vecchi il 20 ottobre 2026 — sonic-turbo, sonic-2 e lo snapshot sonic-3-2025-10-27 — e Sonic 3.5 resta elencato come stabile insieme a 3.6. Se stai migrando, controlla a quale generazione punta effettivamente la tua integrazione, perché un fallback a un modello ritirato è un errore silenzioso.

L'aritmetica 90 ms vs 570 ms, fatta per bene

Ecco la parte che ogni pagina di classifica tralascia. Una cascata Sonic 3.6 ha tre orologi che funzionano in serie:

• Riconoscimento vocale dell'enunciato del chiamante — tipicamente alcune centinaia di millisecondi affinché un riconoscitore in streaming finalizzi una frase.

• Il turno del modello linguistico — il termine variabile, che va dai 200 ms per un breve cenno di conferma a ben oltre un secondo se l'agente riflette prima di rispondere.

• L'hop di sintesi di Sonic 3.6 — sotto i 90 ms alla velocità testata dal fornitore, esclusa la rete; misurazioni end-to-end indipendenti di un percorso di chiamata Cartesia in condizioni reali si attestano su valori diverse volte più alti una volta conteggiati gli altri due hop.

Aggiungi i tre intermedi e una cascata ben ottimizzata si colloca tra 800 ms e 1,5 secondi dalla fine del parlato del chiamante al primo audio dell’agente. I 0,57 secondi di Prism coprono tutto ciò. Quindi, sul percorso completo, Prism non è più lento di Sonic 3.6 — è più veloce della pipeline in cui vive Sonic 3.6, di circa un fattore due all’estremo favorevole.

Questo si ribalta solo in un'architettura: se il tuo turno del modello linguistico è molto breve e il tuo riconoscitore è molto veloce, una cascata Sonic può raggiungere il primo audio anche in circa mezzo secondo, e allora il passo di 90 ms è davvero il motivo. Vale a dire che i 90 ms sono un vero risultato ingegneristico e stanno facendo il loro lavoro — solo non il lavoro che la tabella di confronto lascia intendere.

La formulazione onesta è quella supportata dai dati stessi di Cartesia. Un valore inferiore a 90 ms è il più rapido hop di sintesi sul mercato, ed è misurato escludendo la rete. Il valore di 570 ms di Prism è un dato del fornitore, misurato sul banco di prova τ-Voice da Rime stessa anziché da un laboratorio neutrale. Nessuna delle due aziende ha pubblicato un confronto testa a testa, e nessuno ha testato entrambi sullo stesso percorso di chiamata. Qualsiasi presentazione delle due soluzioni come una gara di latenza a parità di condizioni sta inventando un risultato.

Prezzo al minuto, ed è qui che si trova il vero divario.

Cartesia fattura per carattere: all’incirca un credito per carattere, che Artificial Analysis normalizza a circa $49 per milione di caratteri. La documentazione di Rime converte i caratteri in minuti a circa 1.000 per minuto di parlato, il che colloca Sonic 3.6 vicino a $0,049 per minuto di audio generato. Velocità di parlato più elevate — i 132 caratteri al secondo su cui Cartesia basa i benchmark — spingono quel valore verso $0,034. Parliamo di tre-cinque centesimi al minuto, a seconda di quanto velocemente parla il tuo agente.

Prism costa $0,080 al minuto di audio della chiamata su Flex e $0,064 su Scale. Ma il minuto di Prism non è lo stesso minuto. Viene fatturato sull'audio della chiamata, non sul parlato dell'operatore, quindi una chiamata in cui il chiamante parla metà del tempo costa a Prism quanto una in cui l'operatore non smette mai. Solo questa distinzione può spostare il confronto effettivo di un terzo in entrambe le direzioni, ed è la prima cosa da modellizzare quando si calcola il prezzo di una prova.

Ora assembla la cascata. Sonic 3.6 a quattro centesimi, il riconoscimento a mezzo centesimo fino a un centesimo e un modello linguistico che costa pochi centesimi al minuto a volumi di token conversazionali: sei a circa otto-dieci centesimi per minuto parlato dall'agente, prima di qualsiasi infrastruttura. Prism a otto centesimi non è un prodotto premium in questo contesto. È lo stesso prezzo per una sola fattura, un solo contratto e un solo budget di latenza invece di tre.

La struttura dei piani di Cartesia lo conferma. Gratuito con 20.000 crediti e 2 sessioni simultanee; Pro a 5 $ per 100.000 crediti e 3 simultanee; Startup a 49 $ per 1,25 milioni di crediti e 5 simultanee; Scale a 299 $ per 8 milioni di crediti e 15 simultanee; Enterprise personalizzato con DPA, BAA e deployment regionale. La concorrenza è limitata dal tier e, per un contact center, è proprio il numero che vincola davvero: 15 flussi simultanei su Scale corrispondono a una coda di medie dimensioni piuttosto intensa, non a una coda grande.

Copertura linguistica versus controllo: il trade-off che decide

Cartesia vince sulla copertura con un margine ampio e misurabile. Quarantaquattro lingue su 61 locale è un elenco pubblicato e verificabile. Rime non pubblica affatto il numero di lingue di Prism, anche se i suoi prodotti separati di sintesi vocale pubblicano il proprio — ma i dati specifici di Prism sono assenti dalla pagina del prodotto. Se devi lanciare in quindici mercati nel prossimo trimestre, tale assenza è di per sé squalificante, e Sonic 3.6 è la risposta a prescindere da qualsiasi altra cosa in questo articolo.

Prism conquista il controllo, con un margine strutturale anziché incrementale. Sonic 3.6 riceve il testo finale. Può eseguire quel testo con più di 60 tag emotivi e può pronunciarlo a velocità 1,5x, ma non può rifiutarlo. Prism produce il testo stesso, un passo prima della sintesi vocale, e Rime afferma che l'applicazione può riscrivere, bloccare, taggare o correggere la pronuncia in quel punto mentre la chiamata continua. Un'informativa regolamentata, un'affermazione che non deve essere fatta, un nome di marchio concorrente che non deve mai essere pronunciato — questi risiedono nel checkpoint, non nel testo che si consegna a un sintetizzatore.

Puoi costruire lo stesso controllo in una cascata Sonic. Metti una verifica delle policy tra il modello linguistico e il sintetizzatore, e hai il checkpoint. Quello che non hai è un modello che ragiona sull'audio nello stesso passaggio, e questa è la seconda metà dell'affermazione di Prism: tono, esitazione e rumore di fondo informano la risposta invece di essere prima appiattiti in una trascrizione. Se ciò valga otto centesimi anziché quattro è una questione che riguarda le tue chiamate, non i modelli.

Entrambi sono disponibili in streaming, ma nessuno dei due è nel nostro catalogo.

Prism è venduto direttamente da Rime. Sonic 3.6 è venduto direttamente da Cartesia e tramite diverse piattaforme di terze parti. Nessuno dei due è oggi instradato da OrcaRouter, e nulla in questo articolo deve essere interpretato come un'affermazione del contrario.

Il routing che offriamo è lo strato da cui entrambi dipendono. In una cascata Sonic, il modello linguistico nel mezzo è una scelta, e quella scelta è dove risiedono davvero la qualità e il costo della chiamata. Una chiave su OrcaRouter copre oltre 200 modelli a 0% di ricarico rispetto al prezzo di listino del provider, con failover automatico tra provider, così un modello conversazionale che si blocca non diventa silenzio totale — la richiesta viene invece reindirizzata. Il DSL di routing consente di inviare i turni di conferma a un modello piccolo ed economico e i turni di ricerca a uno più grande, all'interno di un unico endpoint, che è la stessa disciplina sui costi di cui ha bisogno una cascata e il motivo per cui una cascata resta competitiva sul prezzo.

E se volete un passaggio di sintesi ospitato senza una seconda relazione con un fornitore, openai/tts-1-hd e google/gemini-3.1-flash-tts-preview sono entrambi nel catalogo a prezzo di listino. Non sono Sonic 3.6. Sono gli altri due estremi della stessa pipeline, sulla stessa chiave.

Il verdetto, suddiviso per architettura

Se stai lavorando in più di una manciata di lingue, Cartesia Sonic 3.6 è il sintetizzatore giusto e il confronto è chiuso. Quarantaquattro lingue sono un dato di fatto; un elenco non pubblicato non è una promessa.

Se stai costruendo un contact center per un singolo mercato in cui l’agente non deve dire determinate cose, Rime Prism è l’unico dei due ad avere un punto d’appoggio tra la decisione e l’enunciazione e, a otto centesimi al minuto, costa all’incirca quanto la cascata che altrimenti dovresti mettere insieme: una sola fattura invece di tre.

Se siete in una via di mezzo, il fattore decisivo è la latenza sotto carico anziché la latenza su un grafico di benchmark. L'hop sotto i 90 ms di Cartesia è misurato escludendo la rete, e una distribuzione lontana dalla regione vedrà un valore considerevolmente più alto. I 570 ms di Prism sono misurati su un banco di prova che non ha alcuna rete. Eseguite entrambi sul vostro effettivo percorso di chiamata, dalla vostra regione effettiva, prima di scegliere. I numeri pubblicati non possono risolvere la questione, e chiunque dica che possono lo sta facendo confrontando due cronometri diversi.

Un'avvertenza sui numeri dell'arena, perché verranno citati: l'Elo di Artificial Analysis per Sonic 3.6 misura come suona una voce ai valutatori umani. Il 56,6 di Prism su τ-Voice misura con quale frequenza un agente completa un compito in 278 chiamate di servizio simulate. Non sono lo stesso strumento, non condividono una scala e sottrarre un valore dall'altro produce un numero che non significa nulla. Sonic 3.6 non ha un punteggio τ-Voice perché non è un agente. Prism non ha un Elo dell'arena perché non è una voce. Questa asimmetria è l'intero confronto in miniatura.