AssemblyAI-TTS-1 vs Cartesia Sonic 3.6: pretendent zmierzył obecnego lidera na poziomie 143 ms

Najbardziej przydatne zdanie w poście ogłaszającym premierę AssemblyAI nie dotyczy jego własnego modelu. To wiersz w tabeli porównawczej pokazujący, że Cartesia Sonic 3.6zwraca pierwszy bajt w 143 milisekundy, podczas gdy AssemblyAI-TTS-1zwrócił go w 47 — test, który AssemblyAI przeprowadziło na własnym sprzęcie i opublikowało na temat konkurenta, który od dwóch lat reklamuje się jako najszybszy TTS na rynku. Dane samego dostawcy Sonic 3.6 mówią o czasie do pierwszego dźwięku poniżej 90 ms, co nie jest tym samym pomiarem i nie zostało wykonane w tej samej sieci, a od tego czasu te dwie liczby są sobie przeciwstawiane. To zderzenie jest uczciwym sednem tego starcia: jeden model jest liderem pod względem jakości i języków w cenie 49 dolarów za milion znaków, drugi jest rywalem w kategorii ceny i przepustowości w cenie 15 dolarów, i żaden nie ma liczby opóźnienia potwierdzonej przez neutralną stronę.

Wszystko poniżej jest datowane. Dane Artificial Analysis odczytano 30 października 2026 r., a rankingi przesuwają się o dziesiątki punktów Elo w ciągu kilku tygodni; sam Sonic 3.6 przesunął się z pierwszego na czwarte miejsce od sierpnia. Twierdzenia dostawców są oznaczone jako twierdzenia dostawców. Dwa istniejące niezależne punkty danych dotyczące opóźnień — laboratoryjny test AssemblyAI i pomiar strumieniowy Cekura — mierzą różne rzeczy i są prezentowane jako takie, a nie uśredniane do jednego rzekomego faktu.

Gdzie faktycznie się znajdują, na dzień dzisiejszy

Cartesia Sonic 3.6 zadebiutował w połowie sierpnia 2026 r. i w ciągu kilku dni zajął pierwsze miejsce w obu arenach mowy Artificial Analysis — z wynikiem 1 282 w Provider Voice i 1 123 w Controlled Voice, odczytanymi wówczas. Po dwóch i pół miesiącach od pojawienia się nowych wpisów ma 1 296 punktów i czwarte miejsce w Provider Voice oraz 1 147 punktów i szóste miejsce w Controlled Voice. Jego wynik wzrósł o 14 punktów, a pozycja spadła o trzy miejsca. Tak właśnie zachowuje się szybko zmieniający się ranking i dlatego kolumna z pozycją w każdym artykule o premierze źle się starzeje.

• Głos dostawcy — Cartesia Sonic 3.6 1 296, 4. miejsce a AssemblyAI-TTS-1 1 227, 14. miejsce

• Kontrolowany głos (osiem współdzielonych sklonowanych głosów) — Cartesia Sonic 3.6 1 147, 6. miejsce vs AssemblyAI-TTS-1 1 108, 10. miejsce

• Cena za milion znaków — 49 USD vs 15 USD

• Języki — 44 vs 6 (angielski, hiszpański, francuski, niemiecki, włoski, portugalski)

• Przepustowość (Artificial Analysis) — 148,6 znaków na sekundę w porównaniu z 162

• Odporność wymowy (Artificial Analysis) — AssemblyAI 81,7%, 16. miejsce w porównaniu z niższą pozycją Sonic w testach trudnych ciągów prowadzonych przez podmioty zewnętrzne

• Rozliczanie za sklonowane głosy — Cartesia pobiera 1,5× opłatę za sklonowane głosy, podczas gdy AssemblyAI stosuje stałą stawkę obejmującą klonowanie

Te dwie różnice nie są tej samej wielkości. Sześćdziesiąt dziewięć Elo w Provider Voice to realna, widoczna różnica jakości — w przybliżeniu odległość między sąsiednimi modelami w środku tabeli i wystarczająca, by słuchacz w ciemno miał preferencję. Trzydzieści siedem Elo w Controlled Voice jest mniejsze i mieści się w zakresie, w którym jedna runda oceny może przesunąć model o kilka miejsc. Mówiąc prościej: Sonic 3.6 brzmi lepiej z własnymi głosami, a w przypadku głosu sklonowanego oba są wystarczająco blisko, że decydują szczegóły wdrożenia. Różnica cen wynosząca 3,3x nie jest bliska pod żadnym względem.

Argument o opóźnieniu, przedstawiony na trzy sposoby

Istnieją trzy pomiary i żaden z nich nie rozstrzyga tej kwestii, dlatego warto dokładnie określić, co każdy z nich pokazuje.

Pierwszy to własny test laboratoryjny AssemblyAI. Trzydzieści promptów, trzy rundy, cztery domyślne głosy na model, jedno żądanie naraz, jeden klient. Mediana czasu do pierwszego bajtu: AssemblyAI 47 ms, ElevenLabs Flash v2.5 119 ms, Cartesia Sonic 3.6 143 ms, ElevenLabs v4 612 ms. To czysty, dobrze opisany test z oczywistym ograniczeniem — żądania sekwencyjne mierzą model, a nie usługę. Nie jest w stanie pokazać kolejek, rywalizacji o współbieżność ani kosztu sieci między regionami. Ma też problem z zachętami: dostawca publikujący tabelę jest dostawcą, który w niej wygrywa.

Druga to twierdzenie samej Cartesii: poniżej 90 ms czasu do pierwszego dźwięku, które firma opisuje jako dotyczące wyłącznie modelu i nieuwzględniające sieci. Zwróć uwagę na zmianę jednostki. 47 ms AssemblyAI to pierwszy bajt; 90 ms Sonic to pierwszy dźwięk; to różne momenty w potoku strumieniowym, a pierwszy bajt może pojawić się znacznie wcześniej niż pierwsza zsyntetyzowana ramka. Bezpośrednie porównywanie ich to najczęstszy błąd w relacjonowaniu tej premiery.

Trzeci to niezależny pomiar strumieniowania Cekury, który umieścił AssemblyAI-TTS-1 na poziomie mediany 159 ms w zdaniach w stylu agentowym — ósme miejsce spośród dziewiętnastu systemów, a nie pierwsze. To dwukrotność produkcyjnego wyniku dostawcy i w przybliżeniu odpowiada temu, co realna ścieżka sieciowa robi z czystym wynikiem laboratoryjnym. W tym samym przebiegu nie było dostępnego równoważnego niezależnego wyniku dla Sonic 3.6, co oznacza, że uczciwe sformułowanie to nie „AssemblyAI jest szybszy”, lecz „AssemblyAI jest szybszy w teście, który sam zaprojektował, a żaden z modeli nie był ścigany przez neutralne laboratorium tego samego dnia”.

Przepustowość to czystsze porównanie, ponieważ Artificial Analysis mierzy ją w ten sam sposób w przypadku obu modeli. Przy 162 znakach na sekundę wobec 148,6 AssemblyAI generuje dźwięk około 9% szybciej — to znacznie mniejsza przewaga, niż sugerują liczby dotyczące pierwszego bajtu, i nieistotna w przypadku agenta działającego na żywo, gdzie oba modele są już kilkukrotnie szybsze niż w czasie rzeczywistym. W produkcji liczą się opóźnienia ogonowe i niezawodność pod obciążeniem współbieżnym, a żaden z dostawców nie opublikował wartości p99.

Co obejmuje różnica w cenie

Stawka 49 dolarów Cartesii nie jest płaską, kompleksową opłatą tak, jak 15 dolarów AssemblyAI. Sonic 3.6 rozlicza sklonowane głosy według 1,5-krotności stawki standardowej, co winduje koszt agenta korzystającego z niestandardowych głosów do około 73,50 dolara za milion znaków — około 4,9 razy więcej niż stawka AssemblyAI. AssemblyAI pobiera 15 dolarów zarówno za głosy z biblioteki, jak i za klony, a w cenie zawiera znaczniki czasu słów, przetwarzanie w USA lub UE oraz nieograniczoną współbieżność, bez konieczności wykupywania planu i bez rocznego zobowiązania. Cartesia sprzedaje kredyty w ramach planów w miesięcznych progach: darmowym, 5, 49 i 299 dolarów, a jej darmowy plan zabrania użytku komercyjnego.

Policzone na podstawie skryptu, a nie cennika: milion znaków to około 18 godzin gotowej mowy w normalnym tempie mówienia, co daje AssemblyAI około 81 centów za godzinę gotowej mowy w porównaniu z około 2,70 USD dla Sonic 3.6 według cennika, czyli około 4,05 USD, gdy sklonowane głosy są rozliczane według stawki 1,5x. W przypadku operacji obejmującej sto tysięcy godzin miesięcznie jest to różnica między pozycją kosztową 81 000 USD a pozycją 270 000 USD. Nic w jakości głosu nie uzasadnia samo w sobie mnożnika 3,3x; argumenty przemawiające za Cartesia trzeba oprzeć na pokryciu, kontroli i niezawodności, a nie na Elo.

Języki i kontrolki, gdzie Cartesia wciąż wygrywa z dużą przewagą

Czterdzieści cztery zlokalizowane języki w porównaniu z sześcioma to największa luka funkcjonalna w tym zestawieniu i nie jest to luka, którą zamknie obniżka ceny. AssemblyAI oferuje angielski, hiszpański, francuski, niemiecki, włoski i portugalski z wieloma akcentami i obiecał więcej, ale bez daty. Jeśli Twój agent obsługuje rynki europejskie poza tymi sześcioma — polski, niderlandzki, szwedzki, grecki — Sonic 3.6 jest jedyną opcją spośród tych dwóch, a różnica w cenie przestaje mieć znaczenie.

Luka w zakresie kontroli przebiega w tym samym kierunku. W momencie premiery AssemblyAI-TTS-1 nie ma SSML, parametru prędkości, słownika wymowy ani tagów emocji; strona premiery samego dostawcy opisuje emocję jako natywną dla modelu, podczas gdy jego FAQ potwierdza, że dedykowane mechanizmy kontroli są niedostępne. Produkt Cartesia jest zbudowany wokół mowy sterowanej — obsługa prędkości, emocji i wymowy jest częścią oferty. W przypadku narracji ze scenariuszem, dubbingu lub dowolnego zadania wymagającego sterowania tempem AssemblyAI obecnie prosi o przepisanie tekstu, aby uzyskać pożądany sposób wykonania, a jest to praca, której nie można nikomu zafakturować.

Jedynym obszarem, w którym AssemblyAI ma przewagę pod względem możliwości, jest dokładnie ten, w którym Cartesia wypada najsłabiej: trudne ciągi. Artificial Analysis plasuje odporność wymowy AssemblyAI na poziomie 81,7%, co daje szesnaste miejsce w tym rankingu, a własna ocena AssemblyAI wskazuje dokładność rozpoznawania encji na poziomie 93,7% dla numerów telefonów, adresów URL i kodów, wobec 82,5% dla Sonic 3.6 — to porównanie dostawców przeprowadzone przez samego dostawcę, a różnica 11 punktów jest zbyt duża, by uznać ją za szum metodologiczny. Jeden niezależny test (Gradium) dał Sonicowi wynik 75,1% w trudnych przypadkach. W przypadku IVR, odczytywania danych i kodów potwierdzających to właśnie ta liczba decyduje o wdrożeniu.

Kto powinien co wziąć?

Wybierz AssemblyAI-TTS-1, gdy obciążenie jest duże, a języki to angielski plus pięć innych i gdy dominuje strukturalne odczytywanie danych — numery zamówień, adresy, kody, dawki — gdzie przewaga w dokładności rozpoznawania encji oraz stała stawka 15 USD się kumulują. Wybierz Cartesia Sonic 3.6, gdy potrzebujesz więcej niż sześciu języków, gdy sposób dostarczenia ma być reżyserowany, a nie przepisywany, gdy klonujesz głosy i możesz udźwignąć 1,5-krotne rozliczenie, albo gdy lukę w naturalności Provider Voice słyszą Twoi użytkownicy. Różnica 37 punktów w kontrolowanej arenie jest na tyle mała, że dobrze zbudowany agent na którymkolwiek z modeli będzie brzmiał dobrze; różnica 69 punktów między dostawcami to ta, którą słuchacz zauważa.

Istnieje trzecia opcja, której żaden z dostawców nie reklamuje, i jest to ta, na której staje większość zespołów: uruchomić oba i pozwolić, by zdecydował ruch. Dwie odnogi TTS pod jedną regułą routingu pozwalają kierować wypowiedzi z dużą liczbą odczytań do modelu, który poprawnie odczytuje kody, a narrację do modelu, który brzmi lepiej, bez utrzymywania dwóch ścieżek integracji. To jest właśnie przypadek, w którym warstwa routingu broni się sama — ponad 200 modeli za jednym API przy 0% marży i przekazywanych cenach listowych, więc obniżka po którejkolwiek stronie wchodzi w życie tego samego dnia, oraz DSL routingu do dzielenia ruchu według obciążenia, a nie według domysłów. Ani AssemblyAI-TTS-1, ani Cartesia Sonic 3.6 nie znajdują się dziś w katalogu OrcaRouter, więc to raczej zarys porównania niż twierdzenie o ich hostowaniu; modele TTS, które rzeczywiście routujemy — tts-1 od OpenAI, tts-1-hd i gpt-4o-mini-tts oraz Gemini 3.1 Flash TTS Preview od Google — pokrywają drugą odnogę, podczas gdy dwaj liderzy są oceniani na Waszym własnym ruchu.

Co by to właściwie rozstrzygnęło

Neutralne laboratorium, które uruchomiłoby oba modele na tym samym sprzęcie, tej samej ścieżce sieciowej i tym samym profilu obciążenia, rozstrzygnęłoby spór o opóźnienia w ciągu jednego popołudnia — i nikt tego nie zrobił. Do tego czasu uzasadnione stanowisko jest takie, że AssemblyAI jest szybsze we własnym teście i być może szybsze w rzeczywistości, Cartesia jest modelem lepiej brzmiącym i ma znacznie szerszy zakres, a różnica cen jest wystarczająco duża, że przewaga jakościowa Sonic 3.6 musi być warta 3,3x za znak — lub, w przypadku sklonowanych głosów, 4,9x — dla kupującego, który za nią płaci.

Dwa inne wydarzenia przesunęłyby odpowiedź bardziej niż jakikolwiek benchmark. Jeśli AssemblyAI wdroży SSML i słowniki wymowy, limit sześciu języków stanie się jedynym pozostałym zastrzeżeniem funkcjonalnym, a argumentacja cenowa będzie bardzo trudna do podważenia. Jeśli Cartesia obniży swoją stawkę do nowego poziomu minimalnego na rynku albo rozszerzy rozliczanie sklonowanych głosów, przewaga w zakresie pokrycia stanie się dostępna cenowo. Obserwuj te dwa ruchy, a nie kolejny odczyt Elo — na tablicy, na której model może zyskać 14 punktów i spaść o trzy miejsca w ciągu dziesięciu tygodni, ranking jest szumem, a cena sygnałem.