AssemblyAI-TTS-1 vs Cartesia Sonic 3.6: 도전자가 143ms로 선두 모델을 측정하다

AssemblyAI의 출시 게시물에서 가장 유용한 문장은 자사 모델에 관한 것이 아니다. 그것은 비교표의 한 줄로, Cartesia Sonic 3.6이 첫 바이트를 반환하는 데 143밀리초가 걸린 반면 AssemblyAI-TTS-1은 47밀리초 만에 반환했다는 내용이다 — AssemblyAI가 자사 하드웨어에서 직접 실행하고, 2년 동안 자신을 시장에서 가장 빠른 TTS로 마케팅해 온 경쟁사에 대해 공개한 테스트다. Sonic 3.6의 자사 수치는 첫 오디오까지 90ms 미만인데, 이는 같은 측정도, 같은 네트워크도 아니며, 그 이후로 두 수치가 서로 대조되어 인용되어 왔다. 이 충돌이 이번 비교의 정직한 핵심이다: 한 모델은 백만 자당 49달러의 품질 및 언어 선두주자이고, 다른 모델은 15달러의 가격 및 처리량 도전자이며, 어느 쪽도 중립적인 제3자가 확인한 지연 시간 수치를 갖고 있지 않다.

아래의 모든 내용은 기준 날짜가 있습니다. Artificial Analysis 수치는 2026년 10월 30일에 확인한 것이며, 순위표는 몇 주 안에 수십 Elo씩 변동합니다. Sonic 3.6 자체도 8월 이후 1위에서 4위로 내려갔습니다. 벤더 주장은 벤더 주장으로 표시되어 있습니다. 존재하는 두 개의 독립적인 지연 시간 데이터 포인트 — AssemblyAI의 실험실 실행과 Cekura의 스트리밍 측정 — 는 서로 다른 것을 측정하며, 하나의 꾸며낸 단일 사실로 평균 내지 않고 그 점을 그대로 살려 제시됩니다.

오늘 기준, 그들이 실제로 앉아 있는 곳

Cartesia Sonic 3.6은 2026년 8월 중순에 출시되어 며칠 만에 Artificial Analysis 음성 아레나 두 곳 모두에서 1위를 차지했습니다. Provider Voice에서 1,282점, Controlled Voice에서 1,123점으로, 모두 당시 기준 기록입니다. 이후 두 달 반 동안 새 항목이 추가되면서, 지금은 Provider Voice에서 1,296점으로 4위, Controlled Voice에서 1,147점으로 6위입니다. 점수는 14점 올랐지만 순위는 세 계단 내려갔습니다. 이것이 빠르게 변하는 순위표의 특성이며, 어느 출시 기사의 순위 항목도 금세 낡아 보이는 이유입니다.

• 제공자 보이스 — Cartesia Sonic 3.6 1,296, 4위 vs AssemblyAI-TTS-1 1,227, 14위

• 제어 음성(공유 복제 음성 8개) — Cartesia Sonic 3.6 1,147점, 6위 vs AssemblyAI-TTS-1 1,108점, 10위

• 백만 문자당 가격 — $49 대 $15

• 언어 — 44 대 6 (영어, 스페인어, 프랑스어, 독일어, 이탈리아어, 포르투갈어)

• 처리량(Artificial Analysis) — 초당 148.6자 대 162

• 발음 강건성(Artificial Analysis) — AssemblyAI 81.7%, 타사 까다로운 문자열 테스트에서 Sonic의 더 낮은 순위와 대비되는 16위

• 복제 음성 과금 — Cartesia는 복제 음성에 1.5배를 청구하는 반면, AssemblyAI는 복제를 포함한 정액 요금을 적용합니다

두 격차는 크기가 같지 않습니다. Provider Voice에서 69 Elo는 실제로 눈에 보이는 품질 차이입니다. 대략 리더보드 중간에서 인접한 모델 사이의 거리이며, 블라인드 청취자가 선호를 보일 만큼 충분합니다. Controlled Voice에서 37 Elo는 더 작고, 단일 평가 라운드가 모델을 여러 순위 움직일 수 있는 범위에 들어갑니다. 쉽게 말해, Sonic 3.6은 자체 음성으로 더 잘 들리고, 클론 음성에서는 둘이 충분히 가까워 배포 세부 사항이 결정합니다. 3.3배 가격 격차는 어떤 기준으로도 가깝지 않습니다.

지연 시간 논변, 세 가지 방식으로 말하다

세 가지 측정이 존재하지만 그중 어느 것도 이 문제를 결론짓지 못하므로, 각 측정이 무엇을 보여주는지 정확히 짚어볼 필요가 있다.

첫 번째는 AssemblyAI 자체 실험실 테스트입니다. 프롬프트 30개, 라운드 3회, 모델당 기본 음성 4개, 한 번에 요청 하나, 단일 클라이언트. 첫 바이트까지의 중앙값 시간: AssemblyAI 47 ms, ElevenLabs Flash v2.5 119 ms, Cartesia Sonic 3.6 143 ms, ElevenLabs v4 612 ms. 이는 깔끔하고 잘 설명된 테스트이지만 명백한 한계가 있습니다 — 순차 요청은 모델을 측정할 뿐 서비스를 측정하지 않습니다. 대기열, 동시성 경합 또는 리전 간 네트워크 비용을 보여줄 수 없습니다. 또한 인센티브 문제도 있습니다: 이 표를 게시하는 공급업체가 바로 그 표에서 이기는 공급업체입니다.

두 번째는 Cartesia 자체의 주장입니다. 첫 오디오까지 걸리는 시간이 90ms 미만인데, 회사 측은 이를 모델만 기준으로 한 수치이며 네트워크는 제외한다고 설명합니다. 단위가 바뀐 점에 주목해야 합니다. AssemblyAI의 47ms는 첫 바이트까지의 시간이고, Sonic의 90ms는 첫 오디오까지의 시간입니다. 이들은 스트리밍 파이프라인에서 서로 다른 시점이며, 첫 바이트는 첫 합성 프레임보다 훨씬 이른 시점에 도착할 수 있습니다. 이 둘을 직접 비교하는 것은 이번 출시를 다룬 보도에서 가장 흔히 나타나는 오류입니다.

세 번째는 Cekura의 독립 스트리밍 측정으로, 이 측정은 AssemblyAI-TTS-1을 에이전트 스타일 문장 전반에서 중앙값 159ms로 기록했으며, 19개 시스템 중 8위였고 1위가 아니었다. 이는 벤더의 프로덕션 수치의 두 배이며, 실제 네트워크 경로가 깨끗한 실험실 수치에 가하는 영향과 대략 일치한다. 같은 실행에서는 Sonic 3.6에 대한 동등한 독립 수치를 구할 수 없었으며, 이는 솔직한 표현이 "AssemblyAI가 더 빠르다"가 아니라 "AssemblyAI는 자사가 설계한 테스트에서 더 빠르며, 어느 모델도 같은 날 중립적인 연구소에서 경쟁 테스트를 거치지 않았다"라는 뜻이다.

처리량은 Artificial Analysis가 두 모델 모두 동일한 방식으로 측정하므로 더 깔끔한 비교입니다. 초당 162자 대 148.6자로 AssemblyAI가 오디오를 약 9% 더 빠르게 생성하는데, 이는 첫 바이트 수치가 시사하는 것보다 훨씬 작은 이점이며, 두 모델 모두 이미 실시간보다 몇 배나 빠른 라이브 에이전트에서는 무의미한 이점입니다. 프로덕션에서 중요한 것은 동시성 상황에서의 테일 지연 시간과 안정성이며, 어느 공급업체도 p99 수치를 공개하지 않았습니다.

가격 차이에 포함된 내용

Cartesia의 $49는 AssemblyAI의 $15처럼 모든 비용을 포함한 정액 요금이 아닙니다. Sonic 3.6은 복제된 목소리에 표준 요금의 1.5배를 청구하므로, 커스텀 목소리를 사용하는 에이전트의 비용은 백만 자당 약 $73.50에 달하며, 이는 AssemblyAI 요금의 약 4.9배입니다. AssemblyAI는 라이브러리 목소리와 복제 목소리 모두에 $15를 청구하고, 단어 타임스탬프, 미국 또는 EU 처리, 무제한 동시성을 포함하며, 티어 구매나 연간 약정이 없습니다. Cartesia는 무료 플랜과 월 $5, $49, $299 가격대의 플랜을 통해 크레딧을 판매하며, 무료 티어에서는 상업적 사용을 금지합니다.

요율표가 아니라 대본을 기준으로 계산해 보면, 100만 자는 정상적인 말 속도에서 약 18시간 분량의 완성 음성입니다. 따라서 AssemblyAI는 완성 음성 1시간당 약 81센트가 되며, 이는 정가 기준 Sonic 3.6의 약 $2.70과 대비됩니다. 클론 음성에 1.5배 요율이 청구되면 약 $4.05가 됩니다. 월 10만 시간 규모 운영에서는 이는 $81,000짜리 예산 항목과 $270,000짜리 예산 항목의 차이입니다. 음성 품질만으로는 3.3배의 가격 배수를 정당화할 수 없습니다. Cartesia에 대한 근거는 Elo가 아니라 커버리지, 제어, 안정성을 바탕으로 제시되어야 합니다.

언어 및 제어 기능, 여기서 Cartesia는 여전히 여유 있게 앞서고 있습니다

현지화된 44개 언어 대 6개 언어는 이 비교에서 가장 큰 단일 기능 격차이며, 가격 인하로 메울 수 있는 격차가 아닙니다. AssemblyAI는 다양한 억양을 갖춘 영어, 스페인어, 프랑스어, 독일어, 이탈리아어, 포르투갈어를 제공하며, 구체적인 날짜 없이 더 많은 언어를 지원하겠다고 약속했습니다. 에이전트가 이 6개 언어 외의 유럽 시장(폴란드어, 네덜란드어, 스웨덴어, 그리스어)을 대상으로 한다면, 두 제품 중 Sonic 3.6이 유일한 선택지이며 가격 차이는 중요하지 않게 됩니다.

제어 기능 격차도 같은 방향으로 이어집니다. AssemblyAI-TTS-1은 출시 당시 SSML, 속도 매개변수, 발음 사전, 감정 태그를 갖추지 못했습니다. 공급업체의 자체 출시 페이지는 감정을 모델에 내재된 기능으로 설명하지만, 자사 FAQ에서는 전용 제어 기능을 사용할 수 없음을 확인합니다. Cartesia의 제품은 조정 가능한 음성을 중심으로 구축되어 속도, 감정, 발음 처리가 제공 범위에 포함됩니다. 대본 내레이션, 더빙, 또는 진행 속도를 지시해야 하는 모든 작업에서 AssemblyAI는 현재 원하는 전달 방식을 얻으려면 텍스트를 다시 작성하라고 요구하며, 이는 누구에게도 청구할 수 없는 작업입니다.

AssemblyAI가 역량 면에서 앞서는 유일한 지점은 Cartesia가 가장 취약한 바로 그 지점입니다: 까다로운 문자열입니다. Artificial Analysis는 AssemblyAI의 발음 견고성을 81.7%로 평가해 해당 순위표에서 16위에 올렸고, AssemblyAI 자체 평가에서는 전화번호, URL, 코드에 대한 엔터티 정확도가 93.7%로 Sonic 3.6의 82.5%와 대비됩니다. 이는 벤더가 직접 수행한 벤더 비교이며, 11포인트 차이는 방법론상 노이즈로 치부하기에 너무 큽니다. 한 독립 테스트(Gradium의 테스트)에서는 Sonic의 어려운 사례 점수를 75.1%로 측정했습니다. IVR, 리드백, 확인 코드에서는 바로 그 숫자가 배포 여부를 결정합니다.

누가 무엇을 수강해야

워크로드가 대용량이고, 영어에 5개 언어를 더한 구성이며, 주문 번호·주소·코드·복용량 같은 구조화된 낭독이 많은 경우에는 AssemblyAI-TTS-1을 선택하세요. 이 경우 엔티티 정확도 우위와 균일한 $15 요금이 시너지를 냅니다. 6개 이상의 언어가 필요할 때, 전달을 재작성하기보다 연출해야 할 때, 음성을 클로닝하면서 1.5배 과금을 감수할 수 있을 때, 또는 Provider Voice의 자연스러움 격차가 사용자 귀에 들리는 문제일 때는 Cartesia Sonic 3.6을 선택하세요. 37포인트의 통제된 아레나 차이는 두 모델 중 어느 것을 쓰든 잘 구축된 에이전트가 괜찮게 들릴 만큼 작습니다. 반면 69포인트의 공급자 차이는 청취자가 알아차리는 차이입니다.

어느 벤더도 광고하지 않는 세 번째 선택지가 있는데, 바로 대부분의 팀이 결국 선택하는 방식입니다. 둘 다 운영하고 트래픽이 결정하게 하는 것입니다. 하나의 라우팅 규칙 뒤에 두 개의 TTS 레그를 두면 코드를 정확히 읽는 모델로는 리드백이 많은 발화를 보내고, 더 잘 들리는 모델로는 내레이션을 보낼 수 있으며, 통합 경로를 두 개 유지할 필요가 없습니다. 이것이 라우팅 레이어가 존재 이유를 스스로 입증하는 사례입니다 — 하나의 API 뒤에 200개 이상의 모델을 0% 마크업으로 정가 그대로 적용해 제공하므로 어느 쪽에서 가격 인하가 있든 같은 날 반영되며, 추측이 아니라 워크로드 기준으로 트래픽을 분할하는 라우팅 DSL도 제공합니다. AssemblyAI-TTS-1도 Cartesia Sonic 3.6도 현재 OrcaRouter 카탈로그에 없으므로, 이는 이들을 호스팅한다는 주장이 아니라 비교를 위한 형태입니다. 저희가 실제로 라우팅하는 TTS 모델 — OpenAI의 tts-1, tts-1-hd 및 gpt-4o-mini-tts, 그리고 Google의 Gemini 3.1 Flash TTS Preview — 가 두 번째 레그를 담당하며, 두 선두 모델은 고객님의 자체 트래픽에서 평가됩니다.

실제로 그것을 해결해 줄 것은 무엇일까

같은 하드웨어, 같은 네트워크 경로, 같은 부하 프로파일에서 두 모델을 실행하는 중립적인 연구소가 있다면 지연 시간 논쟁은 반나절이면 끝났을 것이고, 아무도 아직 그렇게 하지 않았다. 그때까지 방어 가능한 입장은 다음과 같다. AssemblyAI는 자체 테스트에서 더 빠르고 실제로도 더 빠를 수 있으며, Cartesia는 훨씬 더 폭넓은 커버리지를 갖춘, 소리가 더 좋은 모델이고, 가격 격차는 충분히 커서 비용을 지불하는 구매자에게 Sonic 3.6의 품질 우위는 문자당 3.3배—복제된 음성의 경우 4.9배—의 가치가 있어야 한다.

두 가지 다른 발전은 어떤 벤치마크보다도 답을 더 크게 바꿀 것이다. AssemblyAI가 SSML과 발음 사전을 출시한다면, 6개 언어 제한만이 남은 기능적 반론이 되고 가격 논거는 매우 반박하기 어려워진다. Cartesia가 가격을 시장의 새로운 최저선 쪽으로 인하하거나, 복제 음성 과금을 확장한다면, 커버리지 우위는 감당 가능해진다. 다음 Elo 수치보다 그 두 움직임을 주시하라 — 모델이 10주 동안 14점을 얻고 세 계단 떨어질 수 있는 판에서, 순위는 잡음이고 가격은 신호다.