Inworld Realtime TTS-2 vs Cartesia Sonic 3.6：聴く声 vs 競技場の王者

合成音声がなぜ人間らしく感じられるのかについては、競合する二つの理論がある。そして現在、それぞれの理論を最もよく体現する商用モデルは、Inworld Realtime TTS-2とCartesia Sonic 3.6である。Cartesiaの理論は、人間らしさは音声そのものに宿るというものだ。音色、韻律、タイミングを人のものと見分けがつかないようにすれば、聞き手はあなたを一番に評価するだろう。これは、Sonic 3.6が8月に成し遂げたことだ。Artificial AnalysisのProvider Voice arenaでElo 1,282を記録し、首位に躍り出たのである。Inworldの理論は、人間らしさは「聞くこと」に宿るというものだ。TTS-2は、それ以前の会話の実際の音声に応じて発話を調整する。つまり、単に人のように聞こえるだけでなく、人のように反応するのである。今週、この二つの理論がスコアボード上で衝突した。Inworld Realtime TTS-2をプロバイダーボードの2位（Elo 1,252）にしたのと同じ再スコアリングが、CartesiaがリードしていたControlled Voice arenaでも、Sonic 3.6の1,119に対して1,123というスコアで同モデルを1位に押し上げた。一方のモデルはプロバイダーの王座を保持し、もう一方はちょうどControlledの王座を奪ったところだ。

これは、どちらか一方が明らかに間違っているという対決ではありません。この2つのモデルは、用途が重なりつつも同一ではない仕事のために作られており、その価格差——Sonic 3.6は100万文字あたり49.0ドル、Inworld Realtime TTS-2はオンデマンドで25ドル——は、決定に品質面だけでなく予算面も関わってくるほどに現実的なものなのです。

人間らしい声に関する二つの理論

Cartesiaは2026年8月にSonic 3.6を静かにリリースしました。これはポイントリリースであり、価格やアーキテクチャのストーリーを変えることなくSonic 3.5を改善したものです。その改善はCartesiaが求めていた箇所に現れました。すべてのモデルが独自のネイティブ音声を使用するArtificial AnalysisのProvider Voiceアリーナで、モデルのEloは1,282に跳ね上がり、8月中はControlled Voiceアリーナの首位を維持しました。Controlledボードではすべてのモデルが同じ8人のリファレンススピーカーにクローンされるため、その首位は音声タレントに依存しない、合成エンジン自体への評価です。今週のInworldの一般提供(GA)再スコアリング後も、Cartesiaはプロバイダーボードでリードを保っていますが、Sonic 3.6はControlledボードでElo 1,119の2位となり、1,123のInworld Realtime TTS-2に4ポイント差となっています。

Inworld Realtime TTS-2は、異なる系譜に連なる製品です。前世代のTTS 1.5は、2026年初頭を同じアリーナの上位で過ごしました。TTS-2のリサーチプレビューは6月、プロバイダーボードでElo 1,209を記録しました。GAモデルはその後も順位を上げ、現在のボードではProvider Voiceで1,252（#2、Sonic 3.6の1,282に次ぐ）、Controlled Voiceで1,123（#1）につけています。ただし、このフラッグシップの真の差別化要因はEloスコアではありません。会話の先行ターンを音声入力として受け取り、それを次のセリフの伝え方に反映できることです。Cartesiaはトランスクリプトから感情を調整します。Inworldは、最後の発言がどのように話されたかを聴き取ります。

スコアボード、正直に表示された

Elo値は、Artificial Analysisのスピーチアリーナから取得したもので、2026年9月時点のライブボードに基づく。レイテンシー値は、特に注記がない限りベンダー報告によるものであり、どちらのモデルについても独立したレイテンシー監査は公表されていない。

• 独立品質 — Cartesia Sonic 3.6：Elo 1,282（#1、Provider Voice）および 1,119（#2、Controlled Voice） vs Inworld Realtime TTS-2：Elo 1,252（#2、Provider Voice）および 1,123（#1、Controlled Voice）

• 100万文字あたりの価格 — $49.0（Artificial Analysis追跡） vs オンデマンド $25、Artificial Analysis追跡によるブレンド価格 $20.8、ボリューム時は$12.50まで（ベンダー）

• 最初の音声までの時間 — 90ミリ秒未満（ベンダー公称値）に対し、Inworldのローンチテストでは中央値200ミリ秒未満、p99で100ミリ秒未満（ベンダー公称値）。InworldのSonicに対する低遅延ソリューションは、別のTTS-2 Flashティアで、初回バイトまでの時間は約25ミリ秒である。

• 言語 — ローカライズ済み42言語 vs デリバリーステアリング向け100言語以上。Inworldは、one-voice-identityが200以上のロケールに対応すると主張（ベンダー発表）

• インスタント音声クローニング — 約10秒の音声 vs 5〜15秒。さらに、高忠実度のクローンのために約10分の音声を使用するプロフェッショナルクローニングベータ版

• 配信制御 — [laughter] のようなインライントランスクリプトタグ、音量・速度変調 vs 「[calm, reassuring]」や [whisper] のような平易な英語による指示、リクエストレベル指示、そして Stable から Expressive までの3つの安定性モード。

なぜ「会話を聞く」は別の軸なのですか？

上記のスコアボードは、単独で聞いたときの音声の品質を測定するものです。この2つのモデルが本当に差を見せる次元は、どのリーダーボードにも表示されません。なぜなら、それは複数のターンにわたってのみ存在するからです。

Inworld Realtime TTS-2は、相手が何かを話しかけた直後の状況を想定して設計されています。このモデルは、これまでのターンの書き起こしテキストだけでなく、その音声を取り込み、トーン、テンポ、感情状態を推論し、発話に先立って応答状態を選択します。相手が苛立っていれば話し方は変わり、リラックスしていればまた元に戻ります。だからこそ、Inworldはこのモデルをナレーション用ではなく、エージェント、コンパニオン、ゲーム向けに販売しています。この機能は、一回限りのテキスト読み上げでは無意味であり、会話の中でこそ意味を持つからです。

Cartesia Sonic 3.6は動作が異なります。これは高速・高品質なストリーミングエンジンであり、Cartesia自身が主張しているのは、トランスクリプトからの自動的な感情調整——つまり言葉を読み取り、それに応じて変調することです。しかし、先行するターンの音声を聞くことはしません。単一の発話内では両者は同等に聞こえるかもしれませんが、会話を通して見た場合、InworldはSonicが試みようとしないものをモデリングしています。あなたの製品が1ターンのボイスオーバーであるなら、そのモデリングはオーバーヘッドです。ライブエージェントであれば、それが製品そのものです。

速度、価格、そしてFlashの注意点

純粋なレイテンシに関しては、Cartesiaが優位を誇ってきた。90ms未満の最初の音声出力までの時間(time-to-first-audio)はベンダー発表の数値ではあるが、同社がSonic 3世代以降出荷し続けてきた数字であり、これに反証する検証結果を公表した企業はまだない。Inworldのフラッグシップも、200ms未満という同程度の会話品質クラスで応答しており、ライブエージェント用途には十分だ。Inworldの真のレイテンシ戦略は、GAモデルと同時に投入されたFlashティアにある。これは約25msの最初のバイトまでの時間(time-to-first-byte)を実現する別モデルで、表現力よりもSonicクラスのコストとレイテンシが重要視される大量処理ワークロードを対象としている。ただし注意点として、Flashはこのファミリーの中でも機能を絞り込んだ構成で、インスタントクローニングとインラインの非言語表現には対応しているものの、プロフェッショナルクローニングや完全な自然言語による制御には対応していない。

価格は逆に高くなっています。Sonic 3.6 は100万文字あたり49.0ドルで、Inworld のオンデマンド料金25ドルのおよそ2倍、上位ティアの12.50ドルのほぼ4倍です。両方が登場する場での品質差は、大量購入者にとってその倍率を正当化するものではありません。会話ごとに何千文字も生成するリアルタイム音声エージェントにとって、文字あたりの差は、健全なユニットエコノミクスと薄いユニットエコノミクスの違いです。

どちらを選ぶか

• Cartesia Sonic 3.6を選んでください。もし欲しいのがプロバイダーボードの王冠なら——これは自身のネイティブボイスを使った音声の中で最高スコア（Elo 1,282）を記録し、アシスタント応答、ゲームのセリフ、ステータス読み上げといった短い自己完結型の発話に最適です。100万文字あたり49ドルと王冠の値は張りますが、それでもそのボード上で破るべきモデルであり続けます。

• Inworld Realtime TTS-2を選択（製品が、相手側に応答を返す多ターン会話（サポートコール、コンパニオン、面接、チュータリングセッションなど）である場合）。このモデルは現在、すべてのモデルが同じ8つの参照音声で話す管理されたボードで首位に立っており、しかも会話の音声を聞きながら、およそ半額でそれを実現しています。

• ルーティングにスイッチを組み込むのは、事前に通話に必要な音声の種類を判断できない場合です。本稿執筆時点では、どちらのモデルもOrcaRouterには搭載されていません。SonicはCartesiaの自社APIと複数のサードパーティ製プラットフォーム経由でアクセスでき、Inworldは自社API経由でアクセスできます。しかし、ルーティング層こそ、会話がある音声で始まり、もう一方の音声へフェイルオーバーできる構造であり、各プロバイダーの提示価格は0%マークアップでそのまま通ります。こうしたボードのどれかが再び切り替わった日には——そして今週、それが起こりました——その選択は、書き直しではなく設定変更になります。

短いバージョン

これは本物のフォーク（分岐）であり、正直に言って、その分岐の本質はターンテイキングにあって、音質ではない。独自のネイティブ音声を使う最高スコアのスタンドアロンボイスが必要なら、Cartesia Sonic 3.6がElo 1,282でプロバイダーの王座を堅持し、その料金は100万文字あたり49ドルだ。話しかけられ方に応じる音声が必要なら、Inworld Realtime TTS-2が今週、オンデマンド25ドルでGA（一般提供）に到達し、両モデルが同じ音声条件で比較される統制リーダーボードで首位に立ち、しかもどのアリーナでも完全には測定されていない会話認識機能を備えている。スコアボードは現在、この2モデルに割れており——それが「最高」はテスト次第である市場の、可能な限り正直な姿である。