Rime Prism vs Cartesia Sonic 3.6: 90ms와 570ms를 비교하지 마세요

Cartesia Sonic 3.6은 90밀리초 미만에 응답합니다. Rime Prism은 약 570밀리초에 응답합니다. 이 문장이 당신의 비교 전부라면, 당신은 이미 잘못된 방향으로 두 배나 어긋난 결론에 도달한 것입니다 — 두 수치가 같은 시점에서 시작하지 않기 때문입니다. Sonic 3.6의 90 ms는 텍스트가 합성기에 도착한 순간부터 첫 오디오 샘플까지의 시간입니다. Rime Prism의 570 ms는 발신자가 문장을 말하는 것을 마친 순간부터 에이전트가 소리를 내는 순간까지의 시간입니다. 이 두 사건 사이에는 음성 인식 단계와 전체 언어 모델 턴이 존재하며, Sonic 3.6은 둘 중 어느 것도 수행하지 않습니다. 같은 시계에 올려놓으면 격차는 발신자가 거의 구분할 수 없는 수준으로 좁아지고, 그다음 결정은 가격, 언어 지원 범위, 그리고 누군가가 말할 내용을 승인해야 하는지의 문제가 됩니다.

두 모델 모두 최신이며 둘 다 출시되어 있습니다. Cartesia Sonic 3.6은 2026년 8월 27일 스트리밍 텍스트-투-스피치 모델로 정식 출시(GA)되었으며, 출시 당시 Artificial Analysis의 두 음성 아레나 모두에서 정상을 차지했고, 이후 더 새로운 음성들이 리더보드에 합류하면서 그 자리를 내주었습니다. Rime Prism은 2026년 10월 28일 통화 오디오 1분당 $0.080의 음성-대-음성 모델로 출시되었으며, 말하기 전에 응답을 텍스트로 출력합니다. 하나는 구성 요소이고 다른 하나는 시스템이며, 흥미로운 비교는 각각을 기반으로 실제 작동하는 음성 에이전트를 구성할 때 드는 비용입니다.

Sonic 3.6이 정확히 무엇인지

이는 텍스트 음성 변환 모델이며, 입수 가능한 증거로 볼 때 좋은 모델입니다. 마케팅보다 스트림이 더 중요합니다: WebSocket, Server-Sent Events, 원시 바이트가 모두 지원되며, 이것이 TTS 모델을 배치 작업에서만이 아니라 실시간 통화 안에서도 사용할 수 있게 해줍니다.

• 지원 범위 — 힌디어와 힝글리시를 포함해 61개 로캘에서 44개 언어를 지원합니다.

• 보이스 — 참조 클립에서 10초 만에 즉시 복제; 이번 릴리스에서 기본 제공되는 보이스 수는 공개되지 않음.

• 제어 — 60개 이상의 감정 및 전달 태그 지원, 영어만 가능; 속도 0.6배에서 1.5배까지.

• 오디오 — WAV, MP3 또는 PCM 형식으로 8kHz부터 최대 48kHz까지 출력되며, 3,000토큰 컨텍스트 으로를 제공합니다.

• 지연 시간 — 약 초당 132자 속도로 스트리밍할 때 첫 오디오까지 걸리는 시간이 벤더 표기 기준 90ms 미만입니다.

• Arena — 출시 당시 Artificial Analysis Provider Voice Elo 약 1,282, Controlled Voice 약 1,123으로 두 순위표 모두에서 1위였으나 이후 순위가 바뀌었습니다.

• 개방성 — 가중치 없음. Sonic 3.6은 Prism처럼 호스팅되는 모델입니다.

Cartesia는 또한 2026년 10월 20일에 여러 구형 모델을 은퇴시켰습니다 — sonic-turbo, sonic-2, 그리고 sonic-3-2025-10-27 스냅샷 — 그리고 Sonic 3.5는 3.6과 함께 여전히 안정 버전으로 등록되어 있습니다. 마이그레이션 중이라면 통합이 실제로 어느 세대를 가리키고 있는지 확인하세요. 왜냐하면 은퇴한 모델로의 폴백은 조용한 실패이기 때문입니다.

90ms 대 570ms 산술, 제대로 계산하면

모든 랭킹 페이지가 건너뛰는 부분이 바로 여기 있습니다. Sonic 3.6 캐스케이드는 세 개의 클럭이 직렬로 작동합니다:

• 발신자 발화의 음성 인식 — 스트리밍 인식기가 문장을 확정하는 데 일반적으로 수백 밀리초가 걸립니다.

• 언어 모델의 차례 — 가변적인 항목으로, 짧은 확인 응답의 경우 200ms에서부터 에이전트가 답변 전에 추론을 수행하는 경우 1초를 훨씬 넘는 시간까지 걸릴 수 있습니다.

• Sonic 3.6의 합성 홉은 — 네트워크를 제외하고 공급업체가 테스트한 속도 기준으로는 90ms 미만이지만, 실제 Cartesia 호출 경로에 대한 독립적인 종단 간 측정값은 나머지 두 홉까지 합산하면 몇 배 더 높아집니다.

중간 세 가지를 더하면, 잘 튜닝된 캐스케이드는 발화자가 말을 마친 순간부터 상담원의 첫 오디오가 나올 때까지 800ms에서 1.5초 사이 어딘가에 위치합니다. Prism의 0.57초가 그 전부를 커버합니다. 따라서 전체 경로에서 Prism은 Sonic 3.6보다 느리지 않습니다 — 오히려 Sonic 3.6이 속한 파이프라인보다 빠르며, 최상의 경우 기준으로 대략 두 배 정도 빠릅니다.

그 반전은 오직 한 가지 아키텍처에서만 일어납니다. 언어 모델 턴이 매우 짧고 인식기가 매우 빠르다면, Sonic cascade는 약 0.5초 만에도 첫 오디오에 도달할 수 있으며, 그때는 90ms 홉이 진정한 이유가 됩니다. 즉, 90ms는 실제 엔지니어링 성과이고 역할을 하고 있습니다 — 다만 비교표가 시사하는 그 역할은 아닙니다.

정직한 해석은 Cartesia 자체 수치가 뒷받침하는 쪽입니다. 90ms 미만은 시장에서 가장 빠른 합성 홉이며, 네트워크를 제외하고 측정된 값입니다. Prism의 570ms는 벤더 측 수치로, 중립 연구소가 아니라 Rime 자체가 τ-Voice 하네스에서 측정한 값입니다. 어느 회사도 직접 비교 결과를 공개하지 않았고, 누구도 두 제품을 동일한 호출 경로에서 함께 실행하지 않았습니다. 두 제품을 동등 조건의 지연 시간 경쟁으로 제시하는 것은 결과를 지어내는 것입니다.

분당 가격, 실제 격차가 존재하는 지점

Cartesia는 문자 단위로 청구합니다. 대략 문자당 1크레딧이며, Artificial Analysis는 이를 백만 문자당 약 $49로 정규화합니다. Rime 자체 문서는 문자를 음성 분당 약 1,000자 기준으로 분으로 환산하며, 이에 따르면 Sonic 3.6은 생성된 오디오 분당 약 $0.049에 해당합니다. 더 빠른 말하기 속도, 즉 Cartesia가 벤치마크하는 초당 132자는 이를 약 $0.034 쪽으로 끌어내립니다. 에이전트가 얼마나 빠르게 말하는지에 따라 분당 3~5센트 정도로 보면 됩니다.

Prism은 Flex에서 통화 오디오 1분당 $0.080, Scale에서 $0.064입니다. 하지만 Prism의 1분은 같은 1분이 아닙니다. 에이전트 발화가 아니라 통화 오디오를 기준으로 과금되므로, 발신자가 통화 시간의 절반만 말하는 통화와 에이전트가 끊임없이 말하는 통화에 Prism이 부담하는 비용은 동일합니다. 이러한 차이만으로도 실질적인 비교 결과가 어느 방향으로든 3분의 1만큼 달라질 수 있으며, 이는 트라이얼 가격을 산정할 때 가장 먼저 모델링해야 할 사항입니다.

이제 캐스케이드를 구성해 보자. 4센트의 Sonic 3.6, 0.5~1센트의 인식, 그리고 대화형 토큰 볼륨에서 분당 몇 센트가 드는 언어 모델까지 합치면, 인프라 비용을 제외하고도 에이전트가 말하는 1분당 대략 8~10센트가 나온다. 이런 틀에서 8센트의 Prism은 프리미엄 제품이 아니다. 세 개의 청구서, 세 개의 계약, 세 개의 지연 예산 대신 하나의 청구서, 하나의 계약, 하나의 지연 예산에 대해 같은 가격인 셈이다.

Cartesia의 요금제 구조가 이를 뒷받침합니다. Free는 20,000 크레딧과 동시 2개; Pro는 $5에 100,000 크레딧과 동시 3개; Startup은 $49에 125만 크레딧과 동시 5개; Scale은 $299에 800만 크레딧과 동시 15개; Enterprise는 DPA, BAA 및 리전 배포를 포함한 맞춤형입니다. 동시성은 티어별로 상한이 정해지며, 콜센터에서 실제로 제약이 되는 수치입니다 — Scale의 동시 15개 스트림은 바쁜 중형 규모 대기열이지 대규모는 아닙니다.

언어 커버리지 대 제어: 승부를 가르는 트레이드오프

Cartesia는 넓고 측정 가능한 격차로 언어 지원 범위에서 앞섭니다. 44개 언어, 61개 로캘은 공개되고 검증 가능한 목록입니다. Rime은 Prism의 언어 수를 전혀 공개하지 않습니다. 별도의 텍스트 음성 변환 제품은 자사 수치를 공개하지만, Prism 관련 수치는 제품 페이지에 없습니다. 다음 분기에 15개 시장에서 출시해야 한다면 그 부재만으로도 탈락 요건이며, 이 글의 다른 어떤 내용과 관계없이 Sonic 3.6이 답입니다.

Prism이 제어권을 차지하며, 그 우위는 점진적이기보다 구조적입니다. Sonic 3.6은 최종 텍스트를 받습니다. Sonic 3.6은 60개 이상의 감정 태그로 그 텍스트를 수행할 수 있고 1.5배 속도로 말할 수 있지만, 그 텍스트를 거부할 수는 없습니다. Prism은 발화 바로 한 단계 전에 텍스트 자체를 생성하며, Rime에 따르면 애플리케이션은 통화가 계속되는 동안 그 시점에서 텍스트를 다시 쓰거나, 차단하거나, 태그를 붙이거나, 발음을 교정할 수 있습니다. 규제상 공개해야 하는 내용, 절대 해서는 안 되는 주장, 절대 발음해서는 안 되는 경쟁 브랜드 이름 — 이런 것들은 체크포인트에 존재하며, 합성기에 넘기는 텍스트에 있지 않습니다.

Sonic cascade에서도 같은 제어를 구축할 수 있습니다. 언어 모델과 합성기 사이에 정책 검사를 넣으면 그것이 바로 체크포인트입니다. 하지만 한 번의 처리로 오디오를 추론하는 모델은 갖지 못했으며, 그것이 Prism 주장의 나머지 절반입니다. 억양, 망설임, 배경 소음이 먼저 전사문으로 평탄화되지 않고 답변에 정보를 준다는 것입니다. 그것이 4센트 대신 8센트의 가치가 있는지는 모델이 아니라 여러분의 통화량에 관한 질문입니다.

둘 다 스트리밍되지만, 둘 다 우리 카탈로그에는 없어요.

Prism은 Rime가 직접 판매합니다. Sonic 3.6은 Cartesia가 직접 판매하며 여러 타사 플랫폼을 통해서도 판매됩니다. 현재 OrcaRouter는 둘 중 어느 것도 라우팅하지 않으며, 이 글의 어떤 부분도 그와 다르게 주장하는 것으로 읽혀서는 안 됩니다.

우리가 제공하는 라우팅은 두 가지 모두가 의존하는 계층입니다. Sonic 캐스케이드에서 중간에 있는 언어 모델은 하나의 선택이며, 그 선택이 바로 호출의 품질과 비용이 실제로 좌우되는 지점입니다. OrcaRouter의 키 하나로 제공업체 정가 대비 0% 마크업으로 200개 이상의 모델을 이용할 수 있습니다, 제공업체 간 자동 장애 조치가 이루어지므로 대화형 모델이 멈추더라도 응답 공백이 생기지 않고 요청이 대신 재라우팅됩니다. 라우팅 DSL을 사용하면 하나의 엔드포인트 안에서 확인 응답 턴은 작고 저렴한 모델로, 조회 턴은 더 큰 모델로 보낼 수 있습니다. 이는 캐스케이드에 필요한 것과 동일한 비용 규율이며, 캐스케이드가 여전히 가격 경쟁력을 갖는 이유입니다.

그리고 두 번째 벤더 관계 없이 호스팅된 합성 단계를 원한다면, openai/tts-1-hd와 google/gemini-3.1-flash-tts-preview가 모두 정가로 카탈로그에 있습니다. 이들은 Sonic 3.6이 아닙니다. 이들은 동일한 키로 동일한 파이프라인의 다른 두 끝단입니다.

아키텍처별로 나눈 판정

한 줌이 넘는 언어로 구축하고 있다면, Cartesia Sonic 3.6이 올바른 합성기이며 비교는 끝난 것입니다. 44개 언어는 사실이고, 공개되지 않은 목록은 약속이 아닙니다.

에이전트가 특정한 말을 해서는 안 되는 단일 시장 콘택트 센터를 구축하고 있다면, Rime Prism은 둘 중에서 결정과 발화 사이에 설 자리가 있는 유일한 쪽이며, 분당 8센트면 달리 조립해야 할 캐스케이드와 비용이 대략 비슷합니다 — 세 개 대신 하나의 청구서로 말입니다.

중간 어딘가에 있다면, 판가름 기준은 벤치마크 차트 위의 지연 시간이 아니라 부하 상태에서의 지연 시간이다. Cartesia의 90ms 미만 hop은 네트워크를 배제한 상태에서 측정된 것이며, 해당 리전에서 멀리 떨어진 배포 환경에서는 이보다 상당히 더 큰 지연을 겪게 된다. Prism의 570ms는 네트워크가 전혀 없는 하네스에서 측정된 수치다. 선택하기 전에, 실제 호출 경로에서, 실제 리전에서 두 가지를 모두 실행해 보라. 공개된 수치만으로는 이 문제를 결판지을 수 없으며, 그럴 수 있다고 말하는 사람은 서로 다른 두 개의 초시계를 비교하고 있는 것이다.

아레나 수치에 관해 한 가지 주의점이 있습니다. 이 수치들은 인용될 것이기 때문입니다. Sonic 3.6의 Artificial Analysis Elo는 음성이 인간 평가자에게 어떻게 들리는지를 측정합니다. τ-Voice에서 Prism의 56.6은 에이전트가 278건의 시뮬레이션된 서비스 통화에서 작업을 얼마나 자주 완료하는지를 측정합니다. 이 둘은 같은 도구가 아니며, 같은 척도를 공유하지도 않으며, 하나에서 다른 하나를 빼면 아무 의미도 없는 숫자가 나옵니다. Sonic 3.6에는 τ-Voice 점수가 없습니다. 그것은 에이전트가 아니기 때문입니다. Prism에는 아레나 Elo가 없습니다. 그것은 음성이 아니기 때문입니다. 그 비대칭성은 이 비교 전체를 압축해 보여줍니다.