Rime Prism 対 Cartesia Sonic 3.6：90 ms と 570 ms を比較するのはやめよう

Cartesia Sonic 3.6は90ミリ秒未満で応答します。Rime Prismは約570ミリ秒で応答します。その一文が比較のすべてだとしたら、すでに逆方向に2倍ずれた結論に達しています。なぜなら、この2つの数字は同じ時点から始まっていないからです。Sonic 3.6の90 msは、テキストがシンセサイザーに届いてから最初の音声サンプルが出るまでの時間です。Rime Prismの570 msは、発信者が文を言い終えてからエージェントが音を出すまでの時間です。その2つの出来事の間には、音声認識処理と1回分の完全な言語モデル処理が挟まっており、Sonic 3.6はそのどちらも行いません。同じ時計で測ると、差は発信者がほとんど判別できない程度まで縮まり、そうなると判断は価格、言語対応範囲、そして発話内容を誰かが承認する必要があるかどうかに移ります。

どちらのモデルも現行で、どちらも提供中です。Cartesia Sonic 3.6は、2026年8月27日にストリーミング方式のテキスト読み上げモデルとしてGA（一般提供）となり、提供開始時点でArtificial Analysisの音声アリーナ2部門の両方で首位を獲得しました。その後、新しい音声モデルが加わったことで首位を譲っています。Rime Prismは、2026年10月28日に音声対音声モデルとして登場し、通話音声1分あたり0.080ドルで、返答を発話する前にテキストとして出力します。一方はコンポーネント、もう一方はシステムであり、興味深い比較は、その周りに実際に動作する音声エージェントを組み立てたときにそれぞれいくらかかるかということです。

Sonic 3.6とは正確には何か

音声合成モデルであり、入手できる証拠から見る限り優れたものです。マーケティングよりもストリームのほうが重要です。WebSocket、Server-Sent Events、生のバイト列がすべてサポートされており、これによってTTSモデルはバッチジョブだけでなくライブ通話の中でも使えるものになります。

• 対応範囲 — ヒンディー語とヒングリッシュを含む、61ロケールにわたる44言語。

• Voices — 参照クリップから10秒で行えるインスタントクローニング。このリリースではストックボイスの数は公表されていません。

• コントロール — 60以上の感情・話し方タグ（英語のみ）、速度は0.6x～1.5x。

• オーディオ — WAV、MP3、PCM形式で8 kHz〜48 kHzの出力に対応し、3,000トークンのコンテキストウィンドウを備えています。

• レイテンシー — ストリーミング時、約132文字/秒で、ベンダー公称の初回音声出力までの時間は90 ms未満。

• Arena — ローンチ時点で、Artificial Analysis の Provider Voice Elo は約1,282、Controlled Voice は約1,123で、当時は両方の表で首位でしたが、その後順位は変動しています。

• オープン性 — ウェイトなし。Sonic 3.6 は Prism と同様、ホスト型モデルです。

Cartesiaはまた、2026年10月20日にいくつかの古いモデル、sonic-turbo、sonic-2、およびsonic-3-2025-10-27スナップショットを廃止しました。Sonic 3.5は3.6と並んで安定版として掲載されたままです。移行する場合は、連携が実際にどの世代を参照しているかを確認してください。廃止されたモデルへのフォールバックはサイレント障害になるためです。

90 ms 対 570 ms の算術を正しく行えば

ここが、どのランキングページも飛ばしてしまう部分です。Sonic 3.6 cascade には、直列で動作する3つのクロックがあります。

• 発信者の発話の音声認識 — 通常、ストリーミング認識器が文を確定するまでに数百ミリ秒かかります。

• 言語モデルのターン — 変動する項であり、短い相づちなら200 msから、エージェントが返答前に推論する場合は1秒をはるかに超えることもある。

• Sonic 3.6の音声合成ホップ — ベンダーの試験レートではネットワークを除いて90 ms未満。ライブのCartesia呼び出しパスにおける独立したエンドツーエンド測定では、他の2つのホップを数に含めると数倍高い値になる。

中間の3つを足すと、適切に調整されたカスケードは、発話者の発話終了から最初のエージェント音声までが800ミリ秒から1.5秒の間のどこかに収まります。Prismの0.57秒はそのすべてをカバーします。したがって完全な経路では、PrismはSonic 3.6より遅いのではなく、Sonic 3.6が内部で動くパイプラインより速く、良い場合でおよそ2倍です。

それが逆転するのは、ある一つのアーキテクチャにおいてだけです。言語モデルのターンがごく短く、音声認識器がごく高速なら、Sonic cascade でも約0.5秒で最初の音声に到達でき、その場合、90 ms のホップが本当にその理由になります。つまり、90 ms は実際のエンジニアリング上の成果であり、仕事をしています——ただし、それは比較表が示唆するような仕事ではありません。

正直な枠組みとは、Cartesia 自身の数値が裏付けるものだ。90 ms 未満は市場で最速の合成ホップであり、ネットワークを除外して測定されている。Prism の 570 ms はベンダー公表値で、中立の研究所ではなく Rime 自身が τ-Voice ハーネス上で測定したものだ。両社は直接比較を公開しておらず、同じ通話経路で両方を実行した者もいない。この二つを同一条件のレイテンシ競争として提示するものは、結果を捏造している。

1分あたりの価格、本当の差はそこにある

Cartesiaは文字単位で課金されます。おおむね1文字につき1クレジットで、Artificial Analysisではこれを100万文字あたり約49ドルに換算しています。Rime自身のドキュメントでは、音声1分あたり約1,000文字として文字数を分に換算しており、これによりSonic 3.6は生成音声1分あたり約0.049ドルになります。より速い話速、つまりCartesiaがベンチマークで用いる毎秒132文字では、この金額は0.034ドル付近まで下がります。エージェントの話す速さにもよりますが、1分あたり3～5セントと考えてください。

PrismはFlexで通話音声1分あたり0.080ドル、Scaleで0.064ドルです。しかしPrismの「1分」は同じ1分ではありません。課金対象はエージェントの発話ではなく通話音声であるため、発信者が半分の時間話す通話も、エージェントが話し続ける通話も、Prismのコストは同じになります。この違いだけで実効的な比較はどちら向きにも3分の1ずれ得るため、トライアルの価格を見積もるときに最初にモデル化すべき点です。

では、そのカスケードを組み立てましょう。Sonic 3.6が4セント、音声認識が0.5～1セント、そして会話量のトークン数で1分あたり数セントかかる言語モデル——インフラ費用を除いても、エージェントが発話する1分あたりおよそ8～10セントになります。その枠組みでは、8セントのPrismはプレミアム製品ではありません。3つ分ではなく、1つの請求書、1つの契約、1つのレイテンシ予算で同じ価格です。

Cartesiaの料金プラン構成は、この点を裏付けています。Freeは20,000クレジットで同時接続2、Proは5ドルで100,000クレジットと同時接続3、Startupは49ドルで125万クレジットと同時接続5、Scaleは299ドルで800万クレジットと同時接続15、EnterpriseはDPA、BAA、リージョン別デプロイを備えたカスタムプランです。同時接続数はプランによって上限が設けられており、コンタクトセンターにとって実際に制約となるのはこの数値です。Scaleの同時ストリーム15は、中規模の高負荷なキューであり、大規模なキューではありません。

言語カバレッジ対制御：決め手となるトレードオフ

Cartesiaは、広く測定可能な差をつけてカバレッジで勝っている。61ロケールにわたる44言語は、公開され検証可能なリストだ。RimeはPrismの言語数をまったく公開していないが、同社の別個の音声合成製品については公開している——しかしPrism固有の数値は製品ページに存在しない。次の四半期に15市場で展開する必要があるなら、その欠如だけで失格であり、この記事の他の何があってもSonic 3.6が答えだ。

Prismが制御を握る。しかもその差は漸進的ではなく、構造的なものだ。Sonic 3.6は最終テキストを受け取る。60を超える感情タグを付けてそのテキストを演じることができ、1.5倍速で読み出すこともできるが、それを拒否することはできない。Prismは音声化の一段前でテキストそのものを生成し、Rimeによれば、通話が続くその時点でアプリケーションが書き換え、ブロックし、タグ付けし、発音を修正できる。規制上必要な開示、決して述べてはならない主張、絶対に発してはならない競合ブランド名——それらはチェックポイントに存在し、合成エンジンに渡すテキストの中にはない。

Sonicのカスケードでも同じ制御を構築できます。言語モデルとシンセサイザーの間にポリシーチェックを挟めば、チェックポイントが得られます。しかし得られないのは、同じパスで音声について推論するモデルであり、それがPrismの主張の後半部分です。声のトーン、ためらい、背景ノイズが、まず文字起こしへと平坦化されるのではなく、返答に情報を与えるということです。それが8セント対4セントの価値があるかどうかは、モデルではなく、あなたの通話に関する問題です。

その{{1}}両方{{/1}}ともストリーミング配信されていますが、{{2}}どちらも{{/2}}当社のカタログには入っていません

PrismはRimeによって直接販売されています。Sonic 3.6はCartesiaによって直接販売され、さらに複数のサードパーティ製プラットフォームを通じても販売されています。現在、どちらもOrcaRouterによってルーティングされておらず、本稿のどの記述も、ルーティングされていると主張していると受け取られるべきではありません。

私たちが手がけるルートは、両者が依存するレイヤーです。Sonic のカスケードでは、中間にある言語モデルはひとつの選択であり、その選択こそが通話の品質とコストが実際に宿る場所です。OrcaRouter の 1 つのキーで、プロバイダーの定価に対して 0% のマークアップで 200 以上のモデルをカバーできます。さらにプロバイダー間の自動フェイルオーバーを備えているため、会話モデルが停止しても無音になることはなく、リクエストは別の経路に再ルーティングされます。ルーティング DSL を使えば、確認応答のターンは小型で安価なモデルに、検索のターンはより大きなモデルに、1 つのエンドポイント内で振り分けることができます。これはカスケードが必要とするのと同じコスト規律であり、カスケードが依然として価格面で競争力を持つ理由でもあります。

別のベンダーとの関係を増やさずにホスト型の音声合成を一工程挟みたいなら、openai/tts-1-hdとgoogle/gemini-3.1-flash-tts-previewはどちらもカタログに定価で掲載されています。これらはSonic 3.6ではありません。同じパイプラインのもう一方の両端にあたり、同じキーで使えるものです。

アーキテクチャごとに分けた判定

少数の言語を超える数の言語で構築しているなら、Cartesia Sonic 3.6 が正しい音声合成エンジンであり、比較はもう終わっています。44言語は事実であり、未公開のリストは約束ではありません。

単一市場向けのコンタクトセンターで、エージェントが特定の発言をしてはならない場合、二つのうち、意思決定と発話の間に介在できる余地を持つのは Rime Prism だけです。しかも1分8セントで、本来なら組み立てるカスケードとほぼ同じ金額——請求書は3通ではなく1通で済みます。

どちらかの中間にある場合、決め手となるのはベンチマークのグラフ上のレイテンシではなく、負荷時のレイテンシです。Cartesia の 90 ms 未満のホップはネットワークを除外して測定されており、そのリージョンから遠い場所にデプロイするとかなり大きな値になります。Prism の 570 ms は、ネットワークがまったくない測定ハーネス上で測定されています。選ぶ前に、実際に使用するリージョンから、実際の通話経路で両方を実行してください。公開されている数値ではこれを決着できず、決着できると言う人は、2 つの異なるストップウォッチを比較しています。

アリーナの数値については、引用されることになるので、一点だけ注意しておきたい。Sonic 3.6 の Artificial Analysis Elo は、人間の評価者にその音声がどう聞こえるかを測るものだ。Prism の τ-Voice における 56.6 は、278 件の模擬サービスコールにおいてエージェントがタスクを完了する頻度を測るものだ。これらは同じ測定器ではなく、共通の尺度も持たず、一方から他方を引いて出てくる数値には何の意味もない。Sonic 3.6 に τ-Voice のスコアがないのは、それがエージェントではないからだ。Prism にアリーナ Elo がないのは、それが音声ではないからだ。その非対称性こそが、この比較の全体を縮図にしたものだ。