AssemblyAI-TTS-1 対 Cartesia Sonic 3.6：挑戦者が王者の143ミリ秒を実測

AssemblyAIのローンチ記事で最も有用な一文は、自社モデルについてのものではない。それは比較表の一行で、Cartesia Sonic 3.6が最初のバイトを返すまでに143ミリ秒かかったのに対し、AssemblyAI-TTS-1は47ミリ秒で返したことを示している——AssemblyAIが自社ハードウェア上で実施し、2年間にわたり市場最速のTTSとして自らを売り込んできた競合について公表したテストだ。Sonic 3.6のベンダー自身による数値は最初の音声までの時間が90ミリ秒未満だが、これは同じ測定ではなく、同じネットワーク上でもなく、それ以来この2つの数値は互いに対比されて引用されている。その衝突こそがこの対決の正直な中心だ。一方のモデルは100万文字あたり49ドルで品質と言語のリーダーであり、もう一方は15ドルで価格とスループットの挑戦者であり、どちらも中立の第三者に確認されたレイテンシー数値を持っていない。

以下の内容はすべて時点情報です。Artificial Analysisの数値は2026年10月30日に読み取ったもので、リーダーボードは数週間で数十Eloも変動します。Sonic 3.6自体も8月以降、1位から4位に後退しています。ベンダーの主張はベンダーの主張として明示しています。存在する2つの独立したレイテンシ・データポイント、すなわちAssemblyAIのラボ測定とCekuraのストリーミング測定は、それぞれ異なるものを測っており、単一の見せかけの事実に平均化するのではなく、そのままの形で提示しています。

今日時点で、彼らが実際に置かれている立場

Cartesia Sonic 3.6は2026年8月中旬に登場し、数日以内にArtificial Analysisの音声アリーナの両方で首位に立った——Provider Voiceでは1,282、Controlled Voiceでは1,123で、いずれも当時の読み取り値だ。新たなエントリーが2か月半加わった後、同モデルはProvider Voiceで1,296の4位、Controlled Voiceで1,147の6位につけている。スコアは14ポイント上がったが、順位は3つ下がった。これが動きの速いランキングの仕業であり、どんなローンチ記事の順位列もすぐに古くなる理由でもある。

• プロバイダー音声 — Cartesia Sonic 3.6 1,296（4位） 対 AssemblyAI-TTS-1 1,227（14位）

• 制御された音声（8つの共有クローン音声） — Cartesia Sonic 3.6 1,147、6位 対 AssemblyAI-TTS-1 1,108、10位

• 100万文字あたりの料金 — $49 対 $15

• 言語 — 44 対 6（英語、スペイン語、フランス語、ドイツ語、イタリア語、ポルトガル語）

• スループット（Artificial Analysis） — 162に対し148.6文字/秒

• 発音の堅牢性（Artificial Analysis）— AssemblyAI 81.7%、16位。Sonicはサードパーティの難解文字列テストでより低い順位

• クローン音声の課金 — Cartesia はクローン音声に 1.5 倍の料金を請求しますが、AssemblyAI はクローン作成を含む定額料金です

2つの差は同じ大きさではない。Provider Voiceにおける69 Eloは、実際に目に見える品質差だ。ボード中位で隣接するモデル間の距離にほぼ相当し、ブラインドで聴く人にも選好が生じる程度の差である。Controlled Voiceにおける37 Eloはより小さく、1回の評価ラウンドでモデルが数順位動き得る範囲に収まる。平たく言えば、Sonic 3.6は自前の音声を使うほうがよく聞こえ、クローン音声では両者は十分に近く、導入の詳細が勝敗を決める。3.3倍の価格差は、どの基準で見ても近いとは言えない。

レイテンシの議論を3つの視点で語る

3つの測定結果が存在するが、そのどれもこの問いに決着をつけるものではない。だからこそ、それぞれが何を示しているのかを正確に押さえておく価値がある。

最初はAssemblyAI自身のラボテストです。プロンプト30個、3ラウンド、各モデルにつき標準搭載の音声4種類、一度に1リクエスト、単一クライアントです。最初のバイトまでの中央値時間：AssemblyAI 47 ms、ElevenLabs Flash v2.5 119 ms、Cartesia Sonic 3.6 143 ms、ElevenLabs v4 612 ms。これはクリーンでよく説明されたテストですが、明らかな限界があります。逐次リクエストはサービスではなくモデルを測るものです。キューイング、同時実行の競合、リージョン間のネットワークコストを示すことはできません。さらにインセンティブの問題もあります。その表を公開しているベンダーが、その表の勝者なのです。

2つ目はCartesia自身の主張です。最初の音声までの時間が90ms未満で、同社はこれをモデル単体の値でありネットワークを含まないと説明しています。単位の変更に注意してください。AssemblyAIの47msは最初のバイトであり、Sonicの90msは最初の音声です。これらはストリーミングパイプラインにおける別々の時点であり、最初のバイトは最初の合成フレームよりかなり早く到着することがあります。これらを直接比較することは、今回のローンチの報道における最もよくある誤りです。

3つ目はCekuraによる独立したストリーミング測定で、これによるとAssemblyAI-TTS-1はエージェント形式の文で中央値159 msとなり、19システム中8位で、1位ではない。これはベンダーの本番値の2倍であり、実ネットワーク経路がクリーンなラボ数値に及ぼす影響とほぼ一致する。同じ実行ではSonic 3.6の同等の独立測定値は得られなかった。つまり正直に言うなら「AssemblyAIの方が速い」ではなく、「AssemblyAIは自社が設計したテストでより速く、どちらのモデルも同じ日に中立ラボで比較されたわけではない」となる。

スループットの方がより明確な比較だ。Artificial Analysisが両者を同じ方法で測定しているからだ。毎秒162文字対148.6文字では、AssemblyAIは音声を約9%速く生成する。これは初回バイトの数値が示唆するよりもはるかに小さい優位性であり、両モデルがすでにリアルタイムの数倍速いライブエージェントでは無関係だ。本番環境で重要なのはテールレイテンシと同時実行下での信頼性であり、どちらのベンダーもp99値を公開していない。

価格差に含まれるもの

Cartesiaの49ドルは、AssemblyAIの15ドルのような一律のオールイン料金ではありません。Sonic 3.6はクローン音声を標準料金の1.5倍で課金するため、カスタム音声を使うエージェントでは100万文字あたり約73.50ドルとなり、これはAssemblyAIの料金の約4.9倍に相当します。AssemblyAIはライブラリ音声もクローンも同じく15ドルで、単語タイムスタンプ、米国またはEUでの処理、無制限の同時実行を含み、段階的な購入も年間契約も不要です。Cartesiaは無料、5ドル、49ドル、299ドルの月額プランでクレジットを販売しており、無料プランでは商用利用が禁止されています。

料金表ではなく台本で計算すると、100万文字は通常の話速で約18時間分の完成音声になり、これによりAssemblyAIは完成1時間あたりおよそ81セント、一方Sonic 3.6は定価で約2.70ドル、クローン音声が1.5倍の料率で請求される場合は約4.05ドルとなる。月10万時間規模の運用では、これは81,000ドルの費目と270,000ドルの費目の差になる。音声品質のどこにも、それだけで3.3倍の係数を正当化するものはない。Cartesiaを支持する根拠は、Eloではなく、カバレッジ、コントロール、信頼性で示さなければならない。

言語と制御：Cartesia が依然として余裕で優位に立つ分野

44のローカライズ言語対6言語は、この比較における唯一最大の機能差であり、値下げでは埋まらない差です。AssemblyAIは英語、スペイン語、フランス語、ドイツ語、イタリア語、ポルトガル語を複数のアクセント付きで提供し、時期を明示せずにより多くの言語を追加すると約束しています。あなたのエージェントがその6言語以外の欧州市場——ポーランド語、オランダ語、スウェーデン語、ギリシャ語——に対応するなら、Sonic 3.6は2つのうち唯一の選択肢となり、価格差は問題にならなくなります。

制御機能の差も同じ方向に現れています。AssemblyAI-TTS-1は提供開始時点でSSMLも速度パラメータも発音辞書も感情タグも備えていません。ベンダー自身のローンチページでは感情をモデルにネイティブ搭載と説明している一方、FAQでは専用の制御機能が利用できないことを認めています。Cartesiaの製品は制御可能な音声を中心に設計されており、速度、感情、発音の処理も提供内容に含まれています。原稿ベースのナレーション、吹き替え、あるいは話すペースを指示する必要があるあらゆる作業では、AssemblyAIは現在、望む話し方を実現するためにテキストを書き換えるよう利用者に求めています。これは誰にも請求できない作業です。

AssemblyAIが能力でリードしている唯一の領域は、まさにCartesiaが最も弱い領域である。難しい文字列だ。Artificial AnalysisはAssemblyAIの発音の頑健性を81.7%、そのランキングで16位と評価しており、AssemblyAI自身の評価では、電話番号、URL、コードにおけるエンティティ精度を93.7%とする一方、Sonic 3.6は82.5%だ。これはベンダーが実施したベンダー比較であり、11ポイントの差は方法論のノイズとして片付けるには大きすぎる。独立系テストの一つ（Gradiumによるもの）では、Sonicのハードケースのスコアは75.1%だった。IVR、読み戻し、確認コードにとって、導入を決めるのはその数値だ。

誰がどれを取るべきか

高ボリュームで、英語＋5言語、かつ構造化された読み戻し（注文番号、住所、コード、投与量など）が多いワークロードの場合は AssemblyAI-TTS-1 を選択してください。エンティティ精度の優位性と定額 $15 の料金が相乗効果を発揮します。6言語を超える必要がある場合、配信を書き換えるのではなく演出する必要がある場合、音声をクローンしつつ 1.5x の課金を許容できる場合、または Provider Voice の自然さの差がユーザーに聞こえる場合には、Cartesia Sonic 3.6 を選択してください。37ポイントの制御アリーナでの差は、どちらのモデルでもよく作られたエージェントが問題なく聞こえる程度に小さいものです。リスナーが気づくのは 69ポイントのプロバイダー差です。

どちらのベンダーも宣伝していない第三の選択肢があり、多くのチームが最終的に行き着くのはこちらです。両方を動かし、トラフィックに判断させるのです。単一のルーティングルールの背後に2つのTTSレッグを置けば、読み戻しの多い発話はコードを正しく読み上げるモデルへ、ナレーションはより聞こえのよいモデルへ送ることができ、2つの統合経路を維持する必要はありません。それがルーティングレイヤーの存在意義そのものです — 1つのAPIの背後に200以上のモデルを0%の上乗せで、リスト価格をそのまま反映して提供し、どちらかの値下げが当日に反映されるようにし、推測ではなくワークロード別にトラフィックを分割するルーティングDSLも備えています。AssemblyAI-TTS-1もCartesia Sonic 3.6も現在OrcaRouterのカタログにはないため、これはこれらをホストしているという主張ではなく、比較のための枠組みです。当社が実際にルーティングするTTSモデル — OpenAIのtts-1、tts-1-hdおよびgpt-4o-mini-tts、GoogleのGemini 3.1 Flash TTS Preview — が2本目のレッグをカバーし、一方でこの2つのトップモデルは御社自身のトラフィックで評価されます。

実際にそれを決着させるのは何だろうか

中立なラボが同じハードウェア、同じネットワーク経路、同じ負荷プロファイルで両モデルを実行すれば、レイテンシ論争は半日で決着するだろうが、誰もそれをやっていない。それまでは、擁護できる立場はこうだ。AssemblyAI は自社テストではより速く、現実でもおそらくより速い可能性があり、Cartesia は音質がより良くカバレッジがはるかに広いモデルであり、価格差は十分に大きいため、Sonic 3.6 の品質上の優位性は、購入者にとって文字あたり3.3倍——クローン音声では4.9倍——の価値があるものでなければならない。

さらに二つの動きが、どんなベンチマークよりも答えを大きく左右するだろう。AssemblyAIがSSMLと発音辞書を提供すれば、6言語制限が唯一残る機能面の反対理由となり、価格面の主張は非常に反論しにくくなる。Cartesiaが料金を市場の新たな下限に向けて引き下げるか、クローン音声の課金を拡張すれば、カバレッジの優位性は手頃な価格で得られるようになる。次のEloの読み取り値ではなく、この二つの動きを注視すべきだ——モデルが10週間で14ポイントを獲得しつつ3順位落ちることもある順位表では、順位はノイズであり、価格がシグナルなのだ。