AssemblyAI-TTS-1 vs Cartesia Sonic 3.6: de uitdager mat de incumbent op 143 ms

De nuttigste zin in het lanceringsbericht van AssemblyAI gaat niet over zijn eigen model. Het is een regel in een vergelijkingstabel die laat zien dat Cartesia Sonic 3.6 143 milliseconden nodig heeft om een eerste byte te retourneren, terwijl AssemblyAI-TTS-1 er een in 47 retourneerde — een test die AssemblyAI uitvoerde, op zijn eigen hardware, en publiceerde over een concurrent die twee jaar lang zichzelf heeft gepositioneerd als de snelste TTS op de markt. Het eigen leverancierscijfer van Sonic 3.6 is minder dan 90 ms tijd tot eerste audio, wat niet dezelfde meting is, niet op hetzelfde netwerk, en de twee cijfers worden sindsdien tegen elkaar aangevoerd. Die botsing is de eerlijke kern van deze vergelijking: het ene model is de kwaliteits- en taalleider voor $49 per miljoen tekens, het andere is de prijs- en doorvoeruitdager voor $15, en geen van beide heeft een latentiecijfer dat een neutrale partij heeft bevestigd.

Alles hieronder is gedateerd. De cijfers van Artificial Analysis werden op 30 oktober 2026 opgelezen, en de ranglijsten verschuiven binnen enkele weken met tientallen Elo-punten; Sonic 3.6 is sinds augustus zelf van de eerste naar de vierde plaats gegaan. Claims van leveranciers worden als claims van leveranciers gelabeld. De twee onafhankelijke latentiedatapunten die bestaan — de labrun van AssemblyAI en de streamingmeting van Cekura — meten verschillende zaken en worden als zodanig gepresenteerd, niet tot één voorgewend feit gemiddeld.

Waar ze op dit moment daadwerkelijk staan

Cartesia Sonic 3.6 werd medio augustus 2026 gelanceerd en stond binnen enkele dagen op de eerste plaats in beide Artificial Analysis-spraakarena's — een 1.282 op Provider Voice en een 1.123 op Controlled Voice, beide gemeten op dat moment. Tweeënhalf maanden met nieuwe inzendingen later staat het op 1.296 en een vierde plaats op Provider Voice, en op 1.147 en een zesde plaats op Controlled Voice. Zijn score steeg 14 punten en zijn rang daalde drie plaatsen. Dat is wat een snel veranderend scorebord doet, en daarom veroudert de rangkolom in elke publicatie over een lancering snel.

• Providerstem — Cartesia Sonic 3.6 1.296, 4e vs AssemblyAI-TTS-1 1.227, 14e

• Gecontroleerde stem (acht gedeelde gekloonde stemmen) — Cartesia Sonic 3.6 1.147, 6e vs AssemblyAI-TTS-1 1.108, 10e

• Prijs per miljoen tekens — $49 vs $15

• Talen — 44 versus 6 (Engels, Spaans, Frans, Duits, Italiaans, Portugees)

• Doorvoer (Artificial Analysis) — 148,6 tekens per seconde versus 162

• Robuustheid van uitspraak (Artificial Analysis) — AssemblyAI 81,7%, 16e plaats versus de lagere positie van Sonic op hard-stringtests van derden

• Facturering voor gekloonde stemmen — Cartesia rekent 1,5x voor gekloonde stemmen, terwijl AssemblyAI een vast tarief heeft inclusief klonen

De twee verschillen zijn niet even groot. Negenenzestig Elo op Provider Voice is een echt, zichtbaar kwaliteitsverschil — ongeveer de afstand tussen naast elkaar gelegen modellen in het midden van de ranglijst, en groot genoeg dat een blinde luisteraar een voorkeur heeft. Zevenendertig Elo op Controlled Voice is kleiner en valt in het bereik waarin een enkele evaluatieronde een model meerdere plaatsen kan verplaatsen. Simpel gezegd: Sonic 3.6 klinkt beter met zijn eigen stemmen, en de twee liggen bij een gekloonde stem zo dicht bij elkaar dat deploymentdetails de doorslag geven. Een prijsverschil van 3,3x is in geen enkel opzicht gering.

Het latentie-argument, op drie manieren verteld

Er bestaan drie metingen en geen enkele ervan beslist de vraag, dus het is de moeite waard om precies te zijn over wat elk ervan laat zien.

De eerste is de eigen labtest van AssemblyAI. Dertig prompts, drie rondes, vier standaardstemmen per model, één verzoek tegelijk, één client. Mediane tijd tot eerste byte: AssemblyAI 47 ms, ElevenLabs Flash v2.5 119 ms, Cartesia Sonic 3.6 143 ms, ElevenLabs v4 612 ms. Dit is een schone, goed beschreven test met een duidelijke beperking — sequentiële verzoeken meten het model, niet de dienst. Hij kan geen wachtrijvorming, gelijktijdigheidscontentie of netwerkkosten tussen regio's laten zien. Er is ook een prikkelprobleem: de leverancier die de tabel publiceert, is de leverancier die hem wint.

De tweede is Cartesia's eigen claim: minder dan 90 ms tijd tot eerste audio, wat het bedrijf beschrijft als alleen het model en exclusief netwerk. Let op de wijziging van eenheid. AssemblyAI's 47 ms is een eerste byte; Sonic's 90 ms is eerste audio; dat zijn verschillende momenten in een streamingpipeline, en een eerste byte kan al binnenkomen lang voordat de eerste gesynthetiseerde frame arriveert. Ze direct vergelijken is de meest voorkomende fout in de berichtgeving over deze lancering.

De derde is Cekura's onafhankelijke streamingmeting, die AssemblyAI-TTS-1 op een mediaan van 159 ms bracht over zinnen in agentstijl — achtste van negentien systemen, niet eerste. Dat is het dubbele van het productiecijfer van de leverancier en ongeveer in lijn met wat een echt netwerkpad doet met een schoon labcijfer. In dezelfde run was geen gelijkwaardig onafhankelijk cijfer voor Sonic 3.6 beschikbaar, wat betekent dat de eerlijke uitspraak niet is "AssemblyAI is sneller", maar "AssemblyAI is sneller in een test die het zelf heeft ontworpen, en geen van beide modellen is op dezelfde dag door een neutraal lab in een onderlinge snelheidstest getest."

Doorvoer is de zuiverdere vergelijking, omdat Artificial Analysis die voor beide op dezelfde manier meet. Met 162 tekens per seconde tegenover 148,6 genereert AssemblyAI audio ongeveer 9% sneller — een veel kleinere voorsprong dan de cijfers voor het eerste byte suggereren, en een die irrelevant is voor een live agent waarbij beide modellen al meerdere keren sneller zijn dan realtime. Wat in productie telt, is tail latency en betrouwbaarheid onder gelijktijdige belasting, en geen van beide leveranciers heeft een p99-cijfer gepubliceerd.

Wat het prijsverschil omvat

De $49 van Cartesia is geen vast all-in tarief zoals de $15 van AssemblyAI dat is. Sonic 3.6 rekent voor gekloonde stemmen 1,5 keer het standaardtarief, waardoor een agent met aangepaste stemmen op ongeveer $73,50 per miljoen tekens uitkomt — ongeveer 4,9 keer het tarief van AssemblyAI. AssemblyAI rekent $15 voor zowel bibliotheekstemmen als klonen, inclusief tijdstempels per woord, verwerking in de VS of EU en onbeperkte gelijktijdigheid, zonder aankoop van een abonnementsniveau en zonder jaarlijkse verplichting. Cartesia verkoopt credits via abonnementen met maandprijzen van gratis, $5, $49 en $299, en het gratis niveau verbiedt commercieel gebruik.

Berekend op basis van een script en niet op een tariefkaart: een miljoen tekens is ongeveer 18 uur voltooide spraak bij een normaal spreektempo, wat AssemblyAI ruwweg 81 cent per voltooid uur maakt tegenover ruwweg $2,70 voor Sonic 3.6 volgens de lijstprijs, of ongeveer $4,05 zodra gekloonde stemmen tegen het 1,5x-tarief worden berekend. Voor een operatie van honderdduizend uur per maand is dat het verschil tussen een kostenpost van $81.000 en een van $270.000. Niets aan de stemkwaliteit rechtvaardigt op zichzelf een vermenigvuldiger van 3,3x; de zaak voor Cartesia moet worden gemaakt op dekking, controles en betrouwbaarheid, niet op Elo.

Talen en bedieningselementen, waar Cartesia nog steeds met gemak wint.

Vierenveertig gelokaliseerde talen tegenover zes is de grootste functionele lacune in deze vergelijking, en het is geen lacune die een prijsverlaging oplost. AssemblyAI levert Engels, Spaans, Frans, Duits, Italiaans en Portugees met meerdere accenten en heeft meer beloofd zonder datum. Als je agent Europese markten buiten die zes bedient — Pools, Nederlands, Zweeds, Grieks — is Sonic 3.6 de enige van de twee opties, en dan doet het prijsverschil er niet meer toe.

Het verschil in regelmogelijkheden wijst in dezelfde richting. AssemblyAI-TTS-1 heeft bij de lancering geen SSML, geen snelheidsparameter, geen uitspraakwoordenboek en geen emotietags; de eigen lanceringspagina van de leverancier beschrijft emotie als iets dat inherent is aan het model, terwijl de FAQ bevestigt dat toegewijde regelmogelijkheden niet beschikbaar zijn. Het product van Cartesia is opgebouwd rond stuurbaar spreken: snelheid, emotie en uitspraakbehandeling horen bij het aanbod. Voor gescripte voice-over, dubbing of elke taak waarbij het tempo moet worden geregisseerd, vraagt AssemblyAI je momenteel om de tekst te herschrijven om de gewenste voordracht te krijgen — werk dat je aan niemand kunt factureren.

Die ene plek waarop AssemblyAI op het gebied van capaciteit vooroploopt, is precies de plek waar Cartesia het zwakst is: moeilijke strings. Artificial Analysis plaatst de uitspraakrobuustheid van AssemblyAI op 81,7%, een zestiende plaats op die ranglijst, en AssemblyAI's eigen evaluatie zet de entiteitsnauwkeurigheid op 93,7% bij telefoonnummers, URL's en codes, tegen 82,5% voor Sonic 3.6 — een vergelijking van leveranciers, uitgevoerd door de leverancier, en een verschil van 11 punten dat te groot is om als methodologisch ruis af te doen. Een onafhankelijke test (die van Gradium) zette de score van Sonic op moeilijke gevallen op 75,1%. Voor IVR, terugleesbevestigingen en bevestigingscodes is dat het getal dat de inzet bepaalt.

Wie moet welke nemen

Kies AssemblyAI-TTS-1 wanneer de werkbelasting hoogvolume is, Engels plus vijf talen omvat en veel gestructureerd teruglezen bevat — ordernummers, adressen, codes, dosages — waar de voorsprong op entiteitsaccuratesse en het vaste tarief van $15 elkaar versterken. Kies Cartesia Sonic 3.6 wanneer je meer dan zes talen nodig hebt, wanneer de stemlevering niet herschreven maar geregisseerd moet zijn, wanneer je stemmen klont en de 1,5×-facturering kunt absorberen, of wanneer het verschil in natuurlijkheid bij Provider Voice precies is wat je gebruikers horen. Het verschil van 37 punten in de gecontroleerde arena is klein genoeg dat een goed gebouwde agent op beide modellen prima klinkt; het verschil van 69 punten bij de provider is het verschil dat een luisteraar merkt.

Er is een derde optie die geen van beide leveranciers adverteert, en het is de optie waar de meeste teams op uitkomen: beide draaien en het verkeer laten beslissen. Twee TTS-benen achter één routeringsregel laten je uitingen met veel readback naar het model sturen dat codes correct voorleest en narratie naar het model dat beter klinkt, zonder twee integratiepaden te onderhouden. Dat is het argument dat een routeringslaag voor zichzelf maakt — meer dan 200 modellen achter één API met 0% opslag en doorgerekende lijstprijzen, zodat een prijsverlaging aan een van beide kanten dezelfde dag doorwerkt, en de routerings-DSL om verkeer op basis van werklast te splitsen en niet op basis van giswerk. AssemblyAI-TTS-1 en Cartesia Sonic 3.6 staan vandaag geen van beide in de OrcaRouter-catalogus, dus dit is een vorm voor de vergelijking en geen claim dat we ze hosten; de TTS-modellen die we wel routeren — OpenAI's tts-1, tts-1-hd en gpt-4o-mini-tts, en Google's Gemini 3.1 Flash TTS Preview — dekken het tweede been, terwijl de twee leiders op je eigen verkeer worden geëvalueerd.

Wat zou het echt beslechten?

Een neutraal lab dat beide modellen op dezelfde hardware, hetzelfde netwerkpad en hetzelfde belastingprofiel laat draaien, zou de discussie over latency in een middag beslechten, en niemand heeft dat gedaan. Tot die tijd is de verdedigbare positie dat AssemblyAI sneller is in zijn eigen test en mogelijk sneller in de werkelijkheid, dat Cartesia het beter klinkende model is met veel bredere dekking, en dat het prijsverschil groot genoeg is dat het kwaliteitsvoordeel van Sonic 3.6 voor de koper die daarvoor betaalt 3,3x per karakter waard moet zijn — of, bij gekloonde stemmen, 4,9x.

Twee andere ontwikkelingen zouden de uitkomst sterker beïnvloeden dan welke benchmark dan ook. Als AssemblyAI SSML en uitspraakwoordenboeken uitbrengt, wordt de beperking tot zes talen het enige overgebleven functionele bezwaar en wordt het prijsargument heel moeilijk te weerleggen. Als Cartesia zijn tarief verlaagt richting het nieuwe prijsniveau van de markt, of zijn facturering voor gekloonde stemmen uitbreidt, wordt het voordeel in dekking betaalbaar. Let op die twee ontwikkelingen eerder dan op de volgende Elo-uitslag — op een ranglijst waar een model in tien weken 14 punten kan winnen en drie plaatsen kan verliezen, is de rang ruis en de prijs signaal.