Rime Prism vs Cartesia Sonic 3.6: Pare de comparar 90 ms a 570 ms

O Cartesia Sonic 3.6 responde em menos de 90 milissegundos. O Rime Prism responde em cerca de 570. Se essa frase é toda a sua comparação, você já chegou a uma conclusão errada por um fator de dois na direção oposta — porque os dois números não começam no mesmo momento. Os 90 ms do Sonic 3.6 são o tempo desde a chegada do texto ao sintetizador até a primeira amostra de áudio. Os 570 ms do Rime Prism são o tempo desde o momento em que o interlocutor termina a sua frase até o agente emitir um som. Entre esses dois eventos ficam uma passada de reconhecimento de fala e um turno completo de modelo de linguagem, e o Sonic 3.6 não realiza nenhum dos dois. Coloque-os no mesmo relógio e a diferença se estreita para algo que quem liga mal consegue distinguir, e então a decisão passa a ser sobre preço, cobertura de idiomas e se alguém precisa aprovar o que é dito.

Ambos os modelos são atuais e ambos já estão disponíveis. Cartesia Sonic 3.6 entrou em disponibilidade geral (GA) em 27 de agosto de 2026 como um modelo de conversão de texto em fala em streaming que ocupou o topo das duas arenas de fala do Artificial Analysis no lançamento — e desde então foi superado conforme novas vozes entraram no ranking. Rime Prism foi lançado em 28 de outubro de 2026 como um modelo de fala para fala a US$ 0,080 por minuto de áudio de chamada, que emite sua resposta como texto antes de pronunciá-la. Um é um componente, o outro é um sistema, e a comparação interessante é quanto custa cada um quando se monta um agente de voz funcional em torno dele.

O que é o Sonic 3.6, precisamente

É um modelo de conversão de texto em fala, e um bom modelo, a julgar pelas evidências disponíveis. Os fluxos importam mais do que o marketing: WebSocket, Server-Sent Events e bytes brutos são todos suportados, e é isso que torna um modelo de TTS utilizável dentro de uma chamada ao vivo, e não apenas em uma tarefa em lote.

• Cobertura — 44 idiomas em 61 localidades, incluindo hindi e hinglish.

• Vozes — clonagem instantânea em 10 segundos a partir de um clipe de referência; nenhuma contagem publicada de vozes de catálogo para esta versão.

• Controle — mais de 60 tags de emoção e de entrega, somente em inglês; velocidade de 0,6x a 1,5x.

Áudio — saída de 8 kHz até 48 kHz em WAV, MP3 ou PCM, com uma janela de contexto de 3.000 tokens.

• Latência — tempo até o primeiro áudio declarado pelo fornecedor inferior a 90 ms, a aproximadamente 132 caracteres por segundo, em streaming.

• Arena — Provider Voice Elo do Artificial Analysis em cerca de 1.282 e Controlled Voice em cerca de 1.123 no lançamento, no topo das duas tabelas naquele momento, tendo desde então mudado de posição.

• Abertura — sem pesos. Sonic 3.6 é um modelo hospedado, como o Prism.

A Cartesia também desativou vários modelos mais antigos em 20 de outubro de 2026 — sonic-turbo, sonic-2 e o snapshot sonic-3-2025-10-27 — e o Sonic 3.5 continua listado como estável junto com o 3.6. Se você estiver migrando, verifique para qual geração sua integração realmente aponta, porque um fallback para um modelo desativado é uma falha silenciosa.

A aritmética de 90 ms vs 570 ms, feita como deve ser

Aqui está a parte que toda página de ranking pula. Uma cascata Sonic 3.6 tem três relógios funcionando em série:

• Reconhecimento de fala do enunciado do chamador — tipicamente algumas centenas de milissegundos para um reconhecedor em streaming finalizar uma frase.

• O turno do modelo de linguagem — o termo variável, variando de 200 ms para um breve reconhecimento até bem mais de um segundo se o agente raciocinar antes de responder.

• O hop de síntese do Sonic 3.6 — abaixo de 90 ms na taxa testada pelo fornecedor, com a rede excluída; medições independentes de ponta a ponta de um caminho de chamada Cartesia real ficam várias vezes mais altas quando os outros dois hops são contados.

Some os três intermediários, e uma cascata bem ajustada fica em algum lugar entre 800 ms e 1,5 segundo, do fim da fala do chamador até o primeiro áudio do agente. Os 0,57 segundo do Prism cobrem tudo isso. Assim, no caminho completo, o Prism não é mais lento que o Sonic 3.6 — é mais rápido que o pipeline no qual o Sonic 3.6 está inserido, por um fator de aproximadamente dois no melhor cenário.

Isso só se inverte em uma arquitetura: se a sua vez do modelo de linguagem for muito curta e o seu reconhecedor for muito rápido, uma cascata Sonic também pode chegar ao primeiro áudio em cerca de meio segundo, e aí o salto de 90 ms é genuinamente a razão. Ou seja, os 90 ms são uma conquista real de engenharia e estão fazendo trabalho — só não o trabalho que a tabela de comparação implica.

O enquadramento honesto é aquele que os próprios números da Cartesia sustentam. Sub-90 ms é o salto de síntese mais rápido do mercado, e é medido com a rede excluída. Os 570 ms do Prism são um número do fornecedor, medido no harness τ-Voice pela própria Rime, e não por um laboratório neutro. Nenhuma das empresas publicou uma comparação direta, e ninguém executou os dois no mesmo caminho de chamada. Qualquer coisa que apresente os dois como uma disputa de latência em condições equivalentes está inventando um resultado.

Preço por minuto, que é onde reside a verdadeira diferença

A Cartesia cobra por caractere: aproximadamente um crédito por caractere, o que a Artificial Analysis normaliza para cerca de US$ 49 por milhão de caracteres. A documentação da própria Rime converte caracteres em minutos a cerca de 1.000 por minuto de fala, o que coloca o Sonic 3.6 perto de US$ 0,049 por minuto de áudio gerado. Taxas de fala mais rápidas — os 132 caracteres por segundo usados como referência pela Cartesia — empurram esse valor para cerca de US$ 0,034. Estime três a cinco centavos por minuto, dependendo da rapidez com que seu agente fala.

Prism custa $0,080 por minuto de áudio de chamada no Flex e $0,064 no Scale. Mas o minuto do Prism não é o mesmo minuto. A cobrança é feita sobre o áudio da chamada, não sobre a fala do agente, portanto uma chamada em que o chamador fala metade do tempo custa ao Prism o mesmo que uma em que o agente nunca para de falar. Apenas essa distinção pode deslocar a comparação efetiva em um terço em qualquer direção, e é a primeira coisa a modelar quando você precifica um teste.

Agora monte a cascata. Sonic 3.6 a quatro centavos, reconhecimento a meio centavo a um centavo, e um modelo de linguagem que custa alguns centavos por minuto em volumes de tokens conversacionais — você está em cerca de oito a dez centavos por minuto falado por agente, antes de qualquer infraestrutura. Prism a oito centavos não é um produto premium nesse cenário. É o mesmo preço por uma fatura, um contrato e um orçamento de latência em vez de três.

A estrutura de planos da Cartesia reforça isso. Free com 20.000 créditos e 2 simultâneos; Pro por $5 para 100.000 créditos e 3 simultâneos; Startup por $49 para 1,25 milhão de créditos e 5 simultâneos; Scale por $299 para 8 milhões de créditos e 15 simultâneos; Enterprise personalizado com DPA, BAA e implantação regional. A concorrência é limitada pelo nível, que, para um contact center, é o número que realmente impõe o limite — 15 streams simultâneos no Scale é uma fila movimentada de porte médio, não uma grande.

Cobertura de idiomas versus controle: o trade-off que decide

A Cartesia vence em cobertura por uma margem ampla e mensurável. Quarenta e quatro idiomas em 61 locales é uma lista publicada e verificável. A Rime não publica de forma alguma a contagem de idiomas do Prism, embora seus produtos separados de conversão de texto em fala publiquem a deles — mas números específicos do Prism estão ausentes da página do produto. Se você precisa lançar em quinze mercados no próximo trimestre, essa ausência já é desqualificadora por si só, e o Sonic 3.6 é a resposta, independentemente de qualquer outra coisa neste artigo.

A Prism ganha o controlo, e fá-lo por uma margem estrutural, não incremental. O Sonic 3.6 recebe o texto final. Consegue interpretá-lo com mais de 60 etiquetas de emoção e pode dizê-lo a 1,5x de velocidade, mas não consegue recusá-lo. A Prism produz o próprio texto, uma etapa antes da fala, e a Rime afirma que a aplicação pode reescrever, bloquear, etiquetar ou corrigir a pronúncia nesse ponto enquanto a chamada continua. Uma divulgação regulamentada, uma afirmação que não pode ser feita, um nome de marca concorrente que nunca deve ser pronunciado — tudo isso reside no ponto de verificação, não no texto que se entrega a um sintetizador.

Pode criar o mesmo controlo numa cascata Sonic. Coloque uma verificação de política entre o modelo de linguagem e o sintetizador, e tem o ponto de verificação. O que não tem é um modelo que raciocine sobre áudio na mesma passagem, e essa é a segunda metade da afirmação da Prism: tom, hesitação e ruído de fundo informam a resposta em vez de serem primeiro achatados numa transcrição. Se isso vale oito cêntimos versus quatro é uma questão sobre as suas chamadas, não sobre os modelos.

Ambos transmitem, nenhum dos dois está no nosso catálogo.

A Prism é vendida diretamente pela Rime. O Sonic 3.6 é vendido diretamente pela Cartesia e por várias plataformas de terceiros. Nenhum dos dois é roteado pela OrcaRouter atualmente, e nada neste texto deve ser interpretado como uma afirmação em contrário.

O que fazemos com o roteamento é a camada da qual ambos dependem. Em uma cascata Sonic, o modelo de linguagem no meio é uma escolha, e essa escolha é onde a qualidade e o custo da chamada realmente residem. Uma chave na OrcaRouter cobre mais de 200 modelos com 0% de markup sobre o preço de tabela do provedor, com failover automático entre provedores, para que um modelo conversacional que trava não vire silêncio total — em vez disso, a solicitação é redirecionada. A DSL de roteamento permite enviar os turnos de confirmação para um modelo pequeno e barato e os turnos de consulta para um modelo maior, dentro de um único endpoint, o que é a mesma disciplina de custo de que uma cascata precisa e a razão pela qual uma cascata continua competitiva em preço.

E se você quiser um hop de síntese hospedado sem um segundo relacionamento com fornecedor, openai/tts-1-hd e google/gemini-3.1-flash-tts-preview estão ambos no catálogo a preço de tabela. Eles não são o Sonic 3.6. Eles são as outras duas pontas do mesmo pipeline, na mesma chave.

O veredito, dividido por arquitetura

Se você está construindo em mais do que um punhado de idiomas, o Cartesia Sonic 3.6 é o sintetizador correto e a comparação acabou. Quarenta e quatro idiomas é um fato; uma lista não publicada não é uma promessa.

Se você está montando um centro de contato de mercado único no qual o agente não pode dizer certas coisas, o Rime Prism é o único dos dois com um lugar para se posicionar entre a decisão e a fala e, a oito centavos por minuto, custa aproximadamente o mesmo que a cascata que você montaria de outra forma — com uma única fatura em vez de três.

Se você estiver em algum ponto intermediário, o critério de desempate é a latência sob carga, e não a latência em um gráfico de benchmark. O salto de menos de 90 ms da Cartesia é medido sem considerar a rede, e uma implantação distante da região verá consideravelmente mais. Os 570 ms da Prism são medidos em um ambiente de teste que não tem rede alguma. Execute ambos no seu caminho de chamada real, a partir da sua região real, antes de escolher. Os números publicados não conseguem resolver isso, e qualquer pessoa que diga que isso é possível está comparando dois cronômetros diferentes.

Uma ressalva sobre os números da arena, porque eles serão citados: o Elo do Artificial Analysis para o Sonic 3.6 mede como uma voz soa para avaliadores humanos. O 56,6 do Prism no τ-Voice mede com que frequência um agente conclui uma tarefa em 278 chamadas de serviço simuladas. Eles não são o mesmo instrumento, não compartilham uma escala, e subtrair um do outro produz um número que não significa nada. O Sonic 3.6 não tem pontuação no τ-Voice porque não é um agente. O Prism não tem Elo de arena porque não é uma voz. Essa assimetria é a comparação inteira em miniatura.