AssemblyAI-TTS-1 vs Cartesia Sonic 3.6: o desafiante mediu o incumbente em 143 ms

A frase mais útil no post de lançamento da AssemblyAI não é sobre o próprio modelo dela. É uma linha numa tabela comparativa que mostra que Cartesia Sonic 3.6 leva 143 milissegundos para retornar um primeiro byte, enquanto AssemblyAI-TTS-1 retornou um em 47 — um teste que a AssemblyAI executou, em seu próprio hardware, e publicou sobre uma concorrente que passou dois anos se promovendo como o TTS mais rápido do mercado. O número do próprio fornecedor do Sonic 3.6 é inferior a 90 ms de tempo até o primeiro áudio, o que não é a mesma medição, nem na mesma rede, e os dois números têm sido citados um contra o outro desde então. Esse choque é o centro honesto desta comparação: um modelo é o líder em qualidade e idiomas a US$ 49 por milhão de caracteres, o outro é o desafiante em preço e vazão a US$ 15, e nenhum dos dois tem um número de latência confirmado por uma parte neutra.

Tudo abaixo está datado. Os números do Artificial Analysis foram consultados em 30 de outubro de 2026, e os rankings variam dezenas de pontos Elo em questão de semanas; o próprio Sonic 3.6 passou de primeiro para quarto desde agosto. As alegações dos fornecedores são identificadas como alegações dos fornecedores. Os dois pontos de dados independentes de latência existentes — o teste de laboratório do AssemblyAI e a medição em streaming da Cekura — medem coisas diferentes e são apresentados como tal, em vez de serem combinados numa média para formar um único fato fictício.

Onde eles realmente se encontram, hoje.

A Cartesia Sonic 3.6 foi lançada em meados de agosto de 2026 e assumiu o primeiro lugar nas duas arenas de fala do Artificial Analysis em poucos dias — 1.282 no Provider Voice e 1.123 no Controlled Voice, ambos os números registrados na época. Dois meses e meio de novas entradas depois, ela mantém 1.296 e o quarto lugar no Provider Voice, e 1.147 e o sexto lugar no Controlled Voice. Sua pontuação subiu 14 pontos e sua posição caiu três lugares. É isso que um ranking de rápida movimentação faz, e é por isso que a coluna de posição em qualquer texto de lançamento envelhece mal.

Voz do provedor — Cartesia Sonic 3.6 1.296, 4º vs AssemblyAI-TTS-1 1.227, 14º

• Voz Controlada (oito vozes clonadas compartilhadas) — Cartesia Sonic 3.6 1.147, 6º vs AssemblyAI-TTS-1 1.108, 10º

• Preço por milhão de caracteres — $49 vs $15

• Idiomas — 44 vs 6 (inglês, espanhol, francês, alemão, italiano, português)

• Taxa de transferência (Artificial Analysis) — 148,6 caracteres por segundo vs 162

• Robustez de pronúncia (Artificial Analysis) — AssemblyAI 81,7%, 16º lugar, contra a posição inferior do Sonic em testes de strings difíceis de terceiros

• Faturamento de vozes clonadas — a Cartesia cobra 1,5x por vozes clonadas, em comparação com a tarifa fixa da AssemblyAI que inclui a clonagem

As duas diferenças não têm o mesmo tamanho. Sessenta e nove de Elo em Provider Voice é uma diferença de qualidade real e visível — aproximadamente a distância entre modelos adjacentes no meio do ranking, e suficiente para que um ouvinte às cegas tenha preferência. Trinta e sete de Elo em Controlled Voice é menor e fica na faixa em que uma única rodada de avaliação pode mover um modelo várias posições. Em termos simples: o Sonic 3.6 soa melhor com suas próprias vozes, e os dois ficam próximos o bastante com uma voz clonada que os detalhes de implantação decidem. Uma diferença de preço de 3,3x não é próxima por medida alguma.

O argumento da latência, contado de três maneiras

Existem três medições e nenhuma delas resolve a questão, por isso vale a pena ser preciso quanto ao que cada uma demonstra.

O primeiro é o teste de laboratório da própria AssemblyAI. Trinta prompts, três rodadas, quatro vozes padrão por modelo, uma solicitação por vez, cliente único. Tempo mediano até o primeiro byte: AssemblyAI 47 ms, ElevenLabs Flash v2.5 119 ms, Cartesia Sonic 3.6 143 ms, ElevenLabs v4 612 ms. Este é um teste limpo e bem descrito, com uma limitação óbvia — solicitações sequenciais medem o modelo, não o serviço. Ele não consegue mostrar enfileiramento, contenção de concorrência ou custo de rede entre regiões. Também tem um problema de incentivo: o fornecedor que publica a tabela é o fornecedor que ganha nela.

O segundo é a própria alegação da Cartesia: tempo até o primeiro áudio inferior a 90 ms, que a empresa descreve como sendo somente do modelo e excluindo a rede. Atente para a mudança de unidade. Os 47 ms da AssemblyAI são um primeiro byte; os 90 ms do Sonic são o primeiro áudio; esses são momentos diferentes em um pipeline de streaming, e um primeiro byte pode chegar bem antes do primeiro frame sintetizado. Compará-los diretamente é o erro mais comum na cobertura deste lançamento.

O terceiro é a medição independente de streaming da Cekura, que colocou o AssemblyAI-TTS-1 em 159 ms de mediana em frases no estilo de agente — oitavo entre dezenove sistemas, não primeiro. Isso é o dobro do número de produção do fornecedor e está mais ou menos alinhado com o que um caminho de rede real faz com um número limpo de laboratório. Não havia nenhum número independente equivalente para o Sonic 3.6 na mesma execução, o que significa que a afirmação honesta não é "a AssemblyAI é mais rápida", mas sim "a AssemblyAI é mais rápida em um teste que ela mesma projetou, e nenhum dos modelos foi testado por um laboratório neutro no mesmo dia."

A taxa de transferência é a comparação mais clara porque a Artificial Analysis a mede da mesma forma para ambos. A 162 caracteres por segundo contra 148,6, a AssemblyAI gera áudio cerca de 9% mais rápido — uma vantagem muito menor do que os números de primeiro byte sugerem, e que é irrelevante para um agente ao vivo, em que ambos os modelos já são várias vezes mais rápidos que o tempo real. O que importa em produção é a latência de cauda e a confiabilidade sob concorrência, e nenhum dos fornecedores publicou um valor de p99.

O que a diferença de preço inclui

O preço de US$ 49 da Cartesia não é uma taxa fixa e abrangente como os US$ 15 da AssemblyAI. O Sonic 3.6 cobra vozes clonadas a 1,5 vez a taxa padrão, o que leva um agente que usa vozes personalizadas a cerca de US$ 73,50 por milhão de caracteres — aproximadamente 4,9 vezes a taxa da AssemblyAI. A AssemblyAI cobra US$ 15 tanto por vozes da biblioteca quanto por clones, inclui timestamps por palavra, processamento nos EUA ou na UE e simultaneidade ilimitada, sem necessidade de adquirir um nível e sem compromisso anual. A Cartesia vende créditos por meio de planos nos níveis gratuito, de US$ 5, de US$ 49 e de US$ 299 por mês, e seu plano gratuito proíbe uso comercial.

Feito com base em um script, e não em uma tabela de preços: um milhão de caracteres equivale a cerca de 18 horas de fala finalizada em um ritmo normal de fala, o que coloca a AssemblyAI em cerca de 81 centavos por hora finalizada, contra cerca de US$ 2,70 para o Sonic 3.6 no preço de tabela, ou cerca de US$ 4,05 quando vozes clonadas são cobradas à taxa de 1,5x. Para uma operação de cem mil horas por mês, essa é a diferença entre um item de linha de US$ 81.000 e um de US$ 270.000. Nada na qualidade da voz justifica um multiplicador de 3,3x por si só; o argumento a favor da Cartesia precisa ser construído com base em cobertura, controles e confiabilidade, não no Elo.

Idiomas e controles, onde a Cartesia ainda vence com folga

Quarenta e quatro idiomas localizados contra seis é a maior lacuna funcional desta comparação, e não é uma lacuna que um corte de preço resolve. A AssemblyAI disponibiliza inglês, espanhol, francês, alemão, italiano e português com vários sotaques e prometeu mais, sem indicar uma data. Se o seu agente atende mercados europeus fora desses seis — polaco, neerlandês, sueco, grego —, o Sonic 3.6 é a única opção entre os dois, e a diferença de preço deixa de importar.

A lacuna de controles vai na mesma direção. O AssemblyAI-TTS-1 não tem SSML, nem parâmetro de velocidade, nem dicionário de pronúncia e nem tags de emoção no lançamento; a própria página de lançamento do fornecedor descreve a emoção como nativa do modelo, enquanto seu FAQ confirma que controles dedicados não estão disponíveis. O produto da Cartesia é construído em torno de fala controlável — velocidade, emoção e tratamento de pronúncia fazem parte da oferta. Para narração roteirizada, dublagem ou qualquer carga de trabalho em que o ritmo precise ser direcionado, a AssemblyAI atualmente pede que você reescreva o texto para obter a locução desejada, o que é um trabalho que você não pode cobrar de ninguém.

O único ponto em que a AssemblyAI lidera em capacidade é exatamente onde a Cartesia é mais fraca: strings difíceis. A Artificial Analysis coloca a robustez de pronúncia da AssemblyAI em 81,7%, em décimo sexto lugar nesse ranking, e a própria avaliação da AssemblyAI coloca a precisão de entidades em 93,7% para números de telefone, URLs e códigos, contra 82,5% do Sonic 3.6 — uma comparação de fornecedores, conduzida pelo próprio fornecedor, e uma diferença de 11 pontos ampla demais para ser descartada como ruído de metodologia. Um teste independente (o da Gradium) colocou a pontuação do Sonic em casos difíceis em 75,1%. Para IVR, leituras de confirmação e códigos de confirmação, esse é o número que decide a implantação.

Quem deve levar qual

Escolha o AssemblyAI-TTS-1 quando a carga de trabalho for de alto volume, em inglês mais cinco idiomas, e com forte uso de leitura de dados estruturados — números de pedido, endereços, códigos, dosagens — em que a vantagem de precisão de entidades e a tarifa fixa de US$ 15 se somam. Escolha o Cartesia Sonic 3.6 quando você precisar de mais de seis idiomas, quando a entrega precisar ser dirigida, e não reescrita, quando estiver clonando vozes e puder absorver a cobrança de 1,5x, ou quando a lacuna de naturalidade no Provider Voice for aquilo que seus usuários ouvem. A diferença de 37 pontos na arena controlada é pequena o suficiente para que um agente bem construído em qualquer um dos modelos soe bem; a diferença de 69 pontos entre provedores é a que um ouvinte percebe.

Há uma terceira opção que nenhum dos fornecedores anuncia, e é a que a maioria das equipes acaba adotando: executar os dois e deixar o tráfego decidir. Duas pernas de TTS por trás de uma única regra de roteamento permitem enviar enunciados com muita leitura de retorno ao modelo que lê códigos corretamente e narração ao modelo que soa melhor, sem manter dois caminhos de integração. Esse é o caso que uma camada de roteamento defende por si — mais de 200 modelos por trás de uma única API com 0% de markup e preços de lista repassados, de modo que um corte de qualquer lado entra em vigor no mesmo dia, e a DSL de roteamento para dividir o tráfego por carga de trabalho em vez de por adivinhação. Nem o AssemblyAI-TTS-1 nem o Cartesia Sonic 3.6 estão no catálogo da OrcaRouter hoje, então este é um formato para a comparação, e não uma alegação sobre hospedá-los; os modelos de TTS que roteamos — tts-1 da OpenAI, tts-1-hd e gpt-4o-mini-tts, e o Gemini 3.1 Flash TTS Preview do Google — cobrem a segunda perna enquanto os dois líderes são avaliados no seu próprio tráfego.

O que realmente resolveria isso

Um laboratório neutro executando os dois modelos no mesmo hardware, no mesmo caminho de rede e com o mesmo perfil de carga encerraria a discussão sobre latência em uma tarde, e ninguém fez isso. Até lá, a posição defensável é que a AssemblyAI é mais rápida em seu próprio teste e possivelmente mais rápida na realidade, a Cartesia é o modelo com melhor sonoridade e cobertura muito mais ampla, e a diferença de preço é grande o bastante para que a vantagem de qualidade do Sonic 3.6 tenha de valer 3,3x por caractere — ou, em vozes clonadas, 4,9x — para o comprador que paga por ela.

Dois outros desenvolvimentos moveriam a resposta mais do que qualquer benchmark. Se a AssemblyAI lançar SSML e dicionários de pronúncia, o limite de seis idiomas se torna a única objeção funcional restante e o argumento de preço fica muito difícil de contestar. Se a Cartesia reduzir sua tarifa em direção ao novo piso do mercado, ou estender a cobrança de voz clonada, a vantagem de cobertura se torna acessível. Observe esses dois movimentos em vez da próxima leitura de Elo — em um ranking onde um modelo pode ganhar 14 pontos e perder três posições em dez semanas, a classificação é ruído e o preço é sinal.