AssemblyAI-TTS-1 против Cartesia Sonic 3.6: претендент замерил у действующего лидера 143 мс

Самое полезное предложение в анонсе AssemblyAI — не о её собственной модели. Это строка в сравнительной таблице, где Cartesia Sonic 3.6 требуется 143 миллисекунды, чтобы вернуть первый байт, тогда как AssemblyAI-TTS-1 вернул его за 47 — тест, который AssemblyAI провела на собственном оборудовании и опубликовала о конкуренте, два года продвигающем себя как самый быстрый TTS на рынке. Собственная цифра поставщика Sonic 3.6 — менее 90 мс до первого аудио, но это не то же самое измерение, не в той же сети, и с тех пор эти два числа цитируют друг против друга. Это столкновение — честная суть данного противостояния: одна модель лидирует по качеству и языкам при $49 за миллион символов, другая бросает вызов по цене и пропускной способности при $15, и ни для одной из них нет показателя задержки, подтверждённого нейтральной стороной.

Все приведённые ниже сведения датированы. Показатели Artificial Analysis были считаны 30 октября 2026 года, а таблицы лидеров смещаются на десятки пунктов Elo в течение нескольких неделей; сам Sonic 3.6 с августа переместился с первого места на четвёртое. Заявления поставщиков помечены как заявления поставщиков. Две существующие независимые точки данных о задержке — лабораторный прогон AssemblyAI и потоковое измерение Cekura — измеряют разные вещи и представлены как таковые, а не усреднены в единый вымышленный факт.

Где они на самом деле находятся по состоянию на сегодня

Cartesia Sonic 3.6 вышла в середине августа 2026 года и всего за несколько дней заняла первое место на обеих речевых аренах Artificial Analysis — 1 282 в Provider Voice и 1 123 в Controlled Voice (по данным на тот момент). Спустя два с половиной месяца, после появления новых участников, у неё 1 296 и четвёртое место в Provider Voice, а также 1 147 и шестое место в Controlled Voice. Её балл вырос на 14 пунктов, а позиция в рейтинге опустилась на три места. Именно так и ведёт себя быстро меняющаяся таблица — и именно поэтому колонка с местом в любом обзоре запуска так быстро устаревает.

• Голос провайдера — Cartesia Sonic 3.6 1 296, 4-е место против AssemblyAI-TTS-1 1 227, 14-е место

• Контролируемый голос (восемь общих клонированных голосов) — Cartesia Sonic 3.6 1,147, 6-е место против AssemblyAI-TTS-1 1,108, 10-е место

• Цена за миллион символов — $49 против $15

• Языки — 44 против 6 (английский, испанский, французский, немецкий, итальянский, португальский)

• Пропускная способность (Artificial Analysis) — 148,6 символа в секунду против 162.

• Надёжность произношения (Artificial Analysis) — AssemblyAI 81,7%, 16-е место против более низкой позиции Sonic в сторонних тестах на сложные строки

• Тарификация клонированных голосов — Cartesia взимает 1,5x за клонированные голоса, тогда как AssemblyAI использует единую ставку, включающую клонирование

Эти два разрыва не одинакового размера. Шестьдесят девять Elo по Provider Voice — это реальная, заметная разница в качестве: примерно как расстояние между соседними моделями в середине таблицы лидеров, и этого достаточно, чтобы слепой слушатель отдал предпочтение. Тридцать семь Elo по Controlled Voice — меньше и попадает в диапазон, где один тур оценки способен переместить модель на несколько позиций. Проще говоря: Sonic 3.6 звучит лучше с собственными голосами, а при клонированном голосе они настолько близки, что исход решают детали развёртывания. А разрыв в цене в 3,3 раза ни по каким меркам нельзя считать близким.

Довод о задержке, изложенный в трёх вариантах

Существуют три измерения, и ни одно из них не решает вопрос, поэтому стоит быть точным в отношении того, что показывает каждое из них.

Первый — это собственный лабораторный тест AssemblyAI. Тридцать промптов, три раунда, четыре стандартных голоса на модель, один запрос за раз, один клиент. Медианное время до первого байта: AssemblyAI — 47 мс, ElevenLabs Flash v2.5 — 119 мс, Cartesia Sonic 3.6 — 143 мс, ElevenLabs v4 — 612 мс. Это чистый, хорошо описанный тест с очевидным ограничением — последовательные запросы измеряют модель, а не сервис. Он не может показать очередь, конкуренцию за ресурсы при параллельных запросах или сетевые издержки между регионами. У него также есть проблема стимулов: поставщик, публикующий таблицу, — это поставщик, который в ней побеждает.

Второе — собственное утверждение Cartesia: менее 90 мс до первого аудио, причём компания описывает этот показатель как относящийся только к модели и не учитывающий сеть. Обратите внимание на изменение единицы измерения. 47 мс у AssemblyAI — это первый байт; 90 мс у Sonic — это первое аудио; это разные моменты в конвейере потоковой обработки, и первый байт может прибыть задолго до первого синтезированного кадра. Прямое сравнение этих показателей — самая распространённая ошибка в освещении этого запуска.

Третий — независимое измерение потоковой задержки от Cekura, которое показало для AssemblyAI-TTS-1 медиану 159 мс на предложениях в стиле агентских реплик — восьмое место из девятнадцати систем, а не первое. Это вдвое больше производственного показателя вендора и примерно соответствует тому, как реальный сетевой путь влияет на чистую лабораторную цифру. Эквивалентного независимого показателя для Sonic 3.6 в том же прогоне не было, а значит, честная формулировка не «AssemblyAI быстрее», а «AssemblyAI быстрее в тесте, который она сама разработала, и ни одна из моделей не соревновалась с другой в один день в нейтральной лаборатории».

Пропускная способность — более чистое сравнение, поскольку Artificial Analysis измеряет её одинаково для обеих моделей. При 162 символах в секунду против 148,6 AssemblyAI генерирует аудио примерно на 9% быстрее — это гораздо меньшее преимущество, чем подразумевают показатели первого байта, и оно не имеет значения для live-агента, где обе модели уже в несколько раз быстрее реального времени. В продакшене важны хвостовая задержка и надёжность при параллельной нагрузке, а ни один из поставщиков не опубликовал показатель p99.

Что входит в разницу в цене

49 долларов у Cartesia — это не единая комплексная ставка, как 15 долларов у AssemblyAI. Sonic 3.6 тарифицирует клонированные голоса в 1,5 раза выше стандартного тарифа, из-за чего агент, использующий пользовательские голоса, обходится примерно в 73,50 доллара за миллион символов — примерно в 4,9 раза дороже тарифа AssemblyAI. AssemblyAI взимает 15 долларов как за голоса из библиотеки, так и за клоны, включает временные метки слов, обработку в США или ЕС и неограниченную параллельность, без покупки уровня и без годовых обязательств. Cartesia продаёт кредиты через планы с ежемесячной платой: бесплатно, 5, 49 и 299 долларов, а её бесплатный уровень запрещает коммерческое использование.

Расчет выполнен по сценарию, а не по тарифной сетке: миллион символов — это примерно 18 часов готовой речи при нормальном темпе, что дает для AssemblyAI примерно 81 цент за готовый час против примерно $2,70 у Sonic 3.6 по прайс-листу, или около $4,05, если клонированные голоса тарифицируются с коэффициентом 1,5. Для операции объемом 100 000 часов в месяц это разница между статьей расходов в $81 000 и статьей в $270 000. Ничто в качестве голоса само по себе не оправдывает множитель 3,3; аргументы в пользу Cartesia должны строиться на покрытии, средствах управления и надежности, а не на Elo.

Языки и средства управления, где Cartesia по-прежнему уверенно лидирует

Сорок четыре локализованных языка против шести — это самый большой функциональный разрыв в этом сравнении, и этот разрыв не закрыть снижением цены. AssemblyAI поддерживает английский, испанский, французский, немецкий, итальянский и португальский с несколькими акцентами и обещает добавить ещё, но без даты. Если ваш агент обслуживает европейские рынки за пределами этих шести — польский, нидерландский, шведский, греческий — Sonic 3.6 является единственным вариантом из двух, и разница в цене перестаёт иметь значение.

Разрыв в средствах управления идёт в том же направлении. У AssemblyAI-TTS-1 на момент запуска нет SSML, параметра скорости, словаря произношения и тегов эмоций; на собственной странице запуска поставщика эмоция описывается как встроенная в модель, а в FAQ подтверждается, что специализированные средства управления недоступны. Продукт Cartesia построен вокруг управляемой речи — скорость, эмоции и работа с произношением входят в предложение. Для озвучивания по сценарию, дубляжа или любой задачи, где темпом нужно управлять, AssemblyAI сейчас предлагает переписывать текст, чтобы получить желаемую подачу, — а это работа, которую нельзя никому предъявить к оплате.

Единственная область, где AssemblyAI лидирует по возможностям, — это именно та область, где Cartesia слабее всего: сложные строки. Artificial Analysis оценивает устойчивость AssemblyAI к произношению в 81,7%, шестнадцатое место в этом рейтинге, а собственная оценка AssemblyAI показывает точность распознавания сущностей 93,7% для телефонных номеров, URL и кодов против 82,5% у Sonic 3.6 — сравнение вендоров, проведённое самим вендором, и разрыв в 11 процентных пунктов, слишком большой, чтобы списать его на шум методологии. Один независимый тест (Gradium) показал оценку Sonic на сложных случаях 75,1%. Для IVR, обратного чтения и кодов подтверждения именно это число определяет, будет ли развёртывание.

Кто что должен взять?

Выбирайте AssemblyAI-TTS-1, когда нагрузка высокообъёмная, требуется английский плюс пять языков и много структурированного чтения вслух — номера заказов, адреса, коды, дозировки — где преимущество в точности распознавания сущностей и фиксированная ставка $15 усиливают друг друга. Выбирайте Cartesia Sonic 3.6, когда вам нужно больше шести языков, когда подачу нужно направлять, а не переписывать, когда вы клонируете голоса и можете выдержать 1,5-кратную оплату, или когда разрыв в естественности на Provider Voice — это то, что слышат ваши пользователи. Разница в 37 пунктов в контролируемой арене достаточно мала, чтобы хорошо построенный агент на любой из моделей звучал нормально; разница в 69 пунктов у провайдера — это та, которую замечает слушатель.

Есть третий вариант, который не рекламирует ни один из поставщиков, и именно на нём останавливается большинство команд: запустить оба и позволить трафику решать. Две TTS-ветки за одним правилом маршрутизации позволяют направлять высказывания с высокой долей обратного чтения в модель, которая правильно читает коды, а повествование — в модель, которая звучит лучше, без необходимости поддерживать два интеграционных пути. Именно этот аргумент слой маршрутизации и приводит в свою пользу — более 200 моделей за одним API с наценкой 0% и передачей цен по прайс-листу как есть, так что снижение цены с любой стороны вступает в силу в тот же день, и DSL маршрутизации, чтобы разделять трафик по рабочей нагрузке, а не по догадкам. Ни AssemblyAI-TTS-1, ни Cartesia Sonic 3.6 сегодня нет в каталоге OrcaRouter, поэтому это скорее схема для сравнения, а не утверждение о том, что мы их хостим; TTS-модели, которые мы маршрутизируем, — tts-1 от OpenAI, tts-1-hd и gpt-4o-mini-tts, а также Gemini 3.1 Flash TTS Preview от Google — закрывают вторую ветку, пока эти два лидера оцениваются на вашем собственном трафике.

Что бы это на самом деле решило?

Нейтральная лаборатория, запустив обе модели на одном и том же оборудовании, по одному и тому же сетевому маршруту и с одним и тем же профилем нагрузки, могла бы завершить спор о задержке за один день — и никто этого не сделал. До тех пор защитимая позиция состоит в том, что AssemblyAI быстрее в собственном тесте и, возможно, быстрее в реальности, Cartesia — модель с лучшим звучанием и гораздо более широким покрытием, а разрыв в цене достаточно велик, чтобы для покупателя, который за это платит, преимущество Sonic 3.6 в качестве должно оправдывать в 3,3 раза более высокую цену за символ — или, при клонированных голосах, в 4,9 раза.

Два других события сдвинут ответ сильнее, чем любой бенчмарк. Если AssemblyAI выпустит SSML и словари произношения, ограничение в шесть языков станет единственным оставшимся функциональным возражением, и с ценовым аргументом будет очень трудно спорить. Если Cartesia снизит свою ставку до нового рыночного минимума или расширит тарификацию клонированных голосов, преимущество в покрытии станет доступным. Следите за этими двумя шагами, а не за следующим показателем Elo — на таблице, где модель может набрать 14 пунктов и потерять три места за десять недель, рейтинг — это шум, а цена — сигнал.