Rime Prism kontra Cartesia Sonic 3.6: Przestań porównywać 90 ms z 570 ms

Cartesia Sonic 3.6 odpowiada w czasie poniżej 90 milisekund. Rime Prism odpowiada w około 570. Jeśli to zdanie stanowi całość Twojego porównania, doszedłeś już do wniosku, który jest błędny o czynnik dwa w niewłaściwym kierunku — ponieważ te dwie liczby nie zaczynają się w tym samym momencie. 90 ms Sonic 3.6 to czas od dotarcia tekstu do syntezatora do pierwszej próbki dźwięku. 570 ms Rime Prism to czas od zakończenia zdania przez dzwoniącego do wydania dźwięku przez agenta. Między tymi dwoma zdarzeniami mieszczą się przebieg rozpoznawania mowy i pełny obrót modelu językowego, których Sonic 3.6 nie wykonuje. Zestaw je na tej samej skali czasu, a różnica zmniejszy się do czegoś, czego dzwoniący ledwie może rozróżnić, a wtedy decyzja staje się kwestią ceny, pokrycia językowego i tego, czy ktoś musi zatwierdzać to, co zostaje powiedziane.

Oba modele są aktualne i oba są obecnie dostępne. Cartesia Sonic 3.6 wszedł do ogólnej dostępności 27 sierpnia 2026 r. jako strumieniowy model zamiany tekstu na mowę, który w chwili premiery zajął pierwsze miejsce w obu rankingach mowy Artificial Analysis — i od tego czasu został wyprzedzony, gdy do zestawienia dołączyły nowsze głosy. Rime Prism zadebiutował 28 października 2026 r. jako model zamiany mowy na mowę w cenie 0,080 USD za minutę dźwięku rozmowy, który najpierw emituje odpowiedź jako tekst, a dopiero potem ją wypowiada. Jeden jest komponentem, drugi systemem, a najciekawsze jest porównanie kosztów każdego z nich, gdy zbudujesz wokół niego działającego agenta głosowego.

Czym dokładnie jest Sonic 3.6

To model zamiany tekstu na mowę — i, sądząc po dostępnych dowodach, dobry. Strumienie mają większe znaczenie niż marketing: obsługiwane są WebSocket, Server-Sent Events i surowe bajty, i właśnie to sprawia, że model TTS można wykorzystać w trakcie połączenia na żywo, a nie tylko w zadaniu wsadowym.

• Zasięg — 44 języki w 61 lokalizacjach, w tym hindi i hinglish.

• Głosy — 10-sekundowe natychmiastowe klonowanie na podstawie klipu referencyjnego; brak opublikowanej liczby głosów bazowych w tym wydaniu.

• Sterowanie — ponad 60 tagów emocji i sposobu mówienia, tylko w języku angielskim; prędkość od 0,6x do 1,5x.

• Audio — wyjście od 8 kHz do 48 kHz w formacie WAV, MP3 lub PCM, z oknem kontekstowym obejmującym 3000 tokenów.

• Opóźnienie — deklarowany przez dostawcę czas do pierwszego dźwięku poniżej 90 ms przy około 132 znakach na sekundę, w trybie strumieniowym.

• Arena — Artificial Analysis Provider Voice Elo około 1,282 i Controlled Voice około 1,123 w momencie startu, wówczas szczyt obu tabel, od tego czasu pozycje się zmieniły.

• {{1}}Otwartość — brak wag. Sonic 3.6 to model hostowany, podobnie jak Prism.{{/1}}

Cartesia również wycofała kilka starszych modeli 20 października 2026 r. — sonic-turbo, sonic-2 oraz snapshot sonic-3-2025-10-27 — a Sonic 3.5 nadal widnieje jako stabilny obok 3.6. Jeśli migrujesz, sprawdź, na którą generację faktycznie wskazuje Twoja integracja, ponieważ przełączenie awaryjne na wycofany model to cicha awaria.

Arytmetyka 90 ms vs 570 ms, wykonana poprawnie

Oto część, którą pomija każda strona rankingowa. Kaskada Sonic 3.6 ma trzy zegary działające szeregowo:

• Rozpoznawanie mowy wypowiedzi dzwoniącego — zazwyczaj kilkaset milisekund, aby rozpoznawacz strumieniowy sfinalizował zdanie.

• Tura modelu językowego — zmienny składnik, od 200 ms w przypadku krótkiego potwierdzenia do znacznie ponad sekundy, jeśli agent rozumuje przed odpowiedzią.

• Etap syntezy Sonic 3.6 — poniżej 90 ms w testowanym przez dostawcę tempie, z wyłączeniem sieci; niezależne pomiary end-to-end rzeczywistej ścieżki wywołania Cartesia wypadają kilkukrotnie wyżej, gdy doliczy się pozostałe dwa etapy.

Dodaj środkowe trzy, a dobrze dostrojona kaskada plasuje się gdzieś między 800 ms a 1,5 sekundy od zakończenia mowy dzwoniącego do pierwszego dźwięku agenta. 0,57 sekundy Prism obejmuje całość. Zatem na pełnej ścieżce Prism nie jest wolniejszy niż Sonic 3.6 — jest szybszy niż pipeline, w którym działa Sonic 3.6, w korzystnym przypadku o mniej więcej czynnik dwa.

To odwraca się tylko w jednej architekturze: jeśli tura twojego modelu językowego jest bardzo krótka, a twój rozpoznawacz bardzo szybki, kaskada Sonic również może dotrzeć do pierwszego dźwięku w około pół sekundy — i wtedy to przeskok 90 ms jest naprawdę przyczyną. Co oznacza, że 90 ms to prawdziwe osiągnięcie inżynieryjne i wykonuje pracę — po prostu nie tę pracę, którą sugeruje tabela porównawcza.

Uczciwe ujęcie tematu to takie, które potwierdzają liczby samej Cartesii. Poniżej 90 ms to najszybszy etap syntezy na rynku, mierzony z wyłączeniem sieci. 570 ms dla Prism to wartość podana przez dostawcę, zmierzona na stanowisku testowym τ-Voice przez samą Rime, a nie przez neutralne laboratorium. Żadna z firm nie opublikowała bezpośredniego porównania i nikt nie uruchomił obu rozwiązań na tej samej ścieżce połączeń. Wszystko, co przedstawia je jako wyścig opóźnień na równych zasadach, wymyśla wynik.

Cena za minutę — i tu właśnie tkwi prawdziwa luka.

Cartesia rozlicza się za znaki: w przybliżeniu jeden kredyt za znak, co Artificial Analysis normalizuje do około 49 USD za milion znaków. Dokumentacja Rime przelicza znaki na minuty przy około 1000 znaków na minutę mowy, co plasuje Sonic 3.6 blisko 0,049 USD za minutę wygenerowanego dźwięku. Szybsze tempo mówienia — 132 znaki na sekundę, które Cartesia przyjmuje w benchmarkach — obniża tę stawkę w stronę 0,034 USD. Można przyjąć trzy do pięciu centów za minutę, w zależności od tego, jak szybko mówi twój agent.

Prism kosztuje 0,080 USD za minutę dźwięku rozmowy w Flex i 0,064 USD w Scale. Jednak minuta Prisma to nie jest ta sama minuta. Rozliczana jest na podstawie dźwięku rozmowy, a nie mowy agenta, więc rozmowa, w której dzwoniący mówi przez połowę czasu, kosztuje Prism tyle samo co taka, w której agent nie przestaje mówić. Już ta różnica może przesunąć efektywne porównanie o jedną trzecią w dowolnym kierunku i jest to pierwsza rzecz, którą należy modelować, gdy wyceniasz próbę.

Teraz złóż kaskadę. Sonic 3.6 za cztery centy, rozpoznawanie za pół centa do centa oraz model językowy, który kosztuje kilka centów za minutę przy wolumenach tokenów typowych dla rozmowy — wychodzi około ośmiu–dziesięciu centów za minutę wypowiedzi agenta, jeszcze przed uwzględnieniem jakiejkolwiek infrastruktury. Prism za osiem centów nie jest produktem premium w tym układzie. To ta sama cena za jedną fakturę, jedną umowę i jeden budżet opóźnień zamiast trzech.

Struktura planów Cartesii wzmacnia ten argument. Darmowy z 20 000 kredytów i 2 równoczesnymi strumieniami; Pro za 5 USD za 100 000 kredytów i 3 równoczesne strumienie; Startup za 49 USD za 1,25 mln kredytów i 5 równoczesnych strumieni; Scale za 299 USD za 8 mln kredytów i 15 równoczesnych strumieni; Enterprise w wariancie niestandardowym z DPA, BAA i wdrożeniem regionalnym. Liczba równoczesnych strumieni jest ograniczona przez plan, a w przypadku centrum kontaktowego to właśnie ta liczba naprawdę stanowi wąskie gardło — 15 równoczesnych strumieni w planie Scale to zapracowana kolejka średniej wielkości, a nie duża.

Pokrycie językowe kontra kontrola: kompromis, który decyduje

Cartesia wygrywa pod względem zasięgu znaczącą i wymierną przewagą. Czterdzieści cztery języki w 61 lokalizacjach to opublikowana, weryfikowalna lista. Rime w ogóle nie publikuje liczby języków Prism, choć jej odrębne produkty zamiany tekstu na mowę publikują swoją — jednak dane dotyczące konkretnie Prism nie występują na stronie produktu. Jeśli w przyszłym kwartale musisz wystartować na piętnastu rynkach, sama ta nieobecność dyskwalifikuje ofertę, a Sonic 3.6 jest odpowiedzią niezależnie od wszystkiego innego w tym artykule.

Prism zdobywa kontrolę, i to z przewagą, która ma charakter strukturalny, a nie stopniowy. Sonic 3.6 otrzymuje ostateczny tekst. Potrafi wykonać ten tekst z ponad 60 tagami emocji i wypowiedzieć go z prędkością 1,5x, ale nie może odmówić jego wykonania. Prism sam tworzy tekst, jeden etap przed mową, a Rime twierdzi, że aplikacja może w tym momencie — gdy połączenie trwa — tekst zmienić, zablokować, oznaczyć tagami lub skorygować wymowę. Ujawnienie wymagane przepisami, twierdzenie, którego nie wolno formułować, nazwa konkurencyjnej marki, której nigdy nie wolno wymówić — te elementy znajdują się w punkcie kontrolnym, a nie w tekście, który przekazujesz syntezatorowi.

Możesz zbudować taką samą kontrolę w kaskadzie Sonic. Umieść sprawdzenie polityki między modelem językowym a syntezatorem i masz punkt kontrolny. Czego nie masz, to modelu, który rozumuje na podstawie audio w tym samym przebiegu, a to druga połowa twierdzenia Prism: ton, wahanie i szum w tle wpływają na odpowiedź, zamiast najpierw być spłaszczane do transkrypcji. Czy to jest warte osiem centów zamiast czterech, to pytanie o Twoje połączenia, a nie o modele.

Oba są dostępne w streamingu, żadnego nie ma w naszym katalogu.

Prism jest sprzedawany bezpośrednio przez Rime. Sonic 3.6 jest sprzedawany bezpośrednio przez Cartesia oraz za pośrednictwem kilku platform zewnętrznych. Obecnie żaden z nich nie jest trasowany przez OrcaRouter i nic w tym tekście nie powinno być odczytywane jako twierdzenie przeciwne.

Routing, który realizujemy, jest warstwą, od której zależą oba. W kaskadzie Sonic model językowy pośrodku jest wyborem, a ten wybór tak naprawdę decyduje o jakości i koszcie wywołania. Jeden klucz w OrcaRouter obejmuje ponad 200 modeli z 0% narzutu względem ceny katalogowej dostawcy, z automatycznym przełączaniem awaryjnym między dostawcami, dzięki czemu zacinający się model konwersacyjny nie zamienia się w martwą ciszę — zamiast tego żądanie zostaje przekierowane. DSL routingu pozwala kierować tury potwierdzeń do małego, taniego modelu, a tury wyszukiwania do większego — w obrębie jednego endpointu, co jest tą samą dyscypliną kosztową, której potrzebuje kaskada, i powodem, dla którego kaskada wciąż jest konkurencyjna cenowo.

A jeśli chcesz hostowany etap syntezy bez relacji z drugim dostawcą, openai/tts-1-hd i google/gemini-3.1-flash-tts-preview są oba w katalogu w cenie katalogowej. To nie są Sonic 3.6. To dwa pozostałe końce tego samego potoku, na tym samym kluczu.

Werdykt z podziałem na architektury

Jeśli budujesz w więcej niż kilku językach, Cartesia Sonic 3.6 to właściwy syntezator i porównanie jest zakończone. Czterdzieści cztery języki to fakt; nieopublikowana lista nie jest obietnicą.

Jeśli budujesz centrum kontaktu działające na jednym rynku, w którym agent nie może wypowiadać pewnych rzeczy, Rime Prism jest jedynym z tej dwójki rozwiązaniem, które ma gdzie stanąć między decyzją a wypowiedzianym słowem, a przy ośmiu centach za minutę kosztuje mniej więcej tyle samo co kaskada, którą w przeciwnym razie musiałbyś złożyć — z jedną fakturą zamiast trzech.

Jeśli plasujesz się gdzieś pośrodku, czynnikiem rozstrzygającym jest opóźnienie pod obciążeniem, a nie opóźnienie na wykresie benchmarku. Cartesia deklaruje opóźnienie skoku poniżej 90 ms, mierzone z wyłączeniem sieci, a wdrożenie daleko od regionu będzie miało znacznie wyższe wartości. Prism ma 570 ms mierzone na stanowisku testowym, które w ogóle nie ma sieci. Uruchom oba na rzeczywistej ścieżce wywołań, z Twojego rzeczywistego regionu, zanim dokonasz wyboru. Opublikowane liczby nie rozstrzygną tej kwestii, a każdy, kto twierdzi, że mogą, porównuje dwa różne stopery.

Jedna uwaga dotycząca liczb z areny, ponieważ będą one przytaczane: Elo Artificial Analysis dla Sonic 3.6 mierzy, jak głos brzmi dla ludzkich oceniających. Wynik 56,6 Prism w τ-Voice mierzy, jak często agent wykonuje zadanie podczas 278 symulowanych połączeń serwisowych. To nie są te same narzędzia pomiarowe, nie mają wspólnej skali, a odejmowanie jednego od drugiego daje liczbę, która nic nie znaczy. Sonic 3.6 nie ma wyniku w τ-Voice, ponieważ nie jest agentem. Prism nie ma Elo z areny, ponieważ nie jest głosem. Ta asymetria to całe to porównanie w pigułce.