Rime Prism против Cartesia Sonic 3.6: прекратите сравнивать 90 мс с 570 мс

Cartesia Sonic 3.6 отвечает менее чем за 90 миллисекунд. Rime Prism — примерно за 570. Если это предложение — всё ваше сравнение, вы уже пришли к выводу, который ошибся в два раза в неправильную сторону, — потому что эти два числа отсчитываются не от одного и того же момента. 90 мс у Sonic 3.6 — это время от поступления текста в синтезатор до первого аудиосэмпла. 570 мс у Rime Prism — это время от момента, когда звонящий закончил фразу, до момента, когда агент издал звук. Между этими двумя событиями находятся этап распознавания речи и полный цикл языковой модели, и ни того, ни другого Sonic 3.6 не выполняет. Поставьте их на одни часы, и разрыв сузится до чего-то, что звонящий едва ли различит, а затем решение будет касаться цены, языкового покрытия и того, нужно ли кому-то утверждать то, что будет сказано.

Обе модели актуальны, и обе уже выпущены. Cartesia Sonic 3.6вышла в общий доступ 27 августа 2026 года как потоковая модель синтеза речи, которая при запуске заняла первое место в обеих речевых аренах Artificial Analysis — а с тех пор её обогнали, поскольку на рейтинг вышли новые голоса. Rime Prismзапущена 28 октября 2026 года как модель «речь в речь» по цене $0.080 за минуту аудио звонка, которая выдаёт свой ответ в виде текста, прежде чем произнести его. Одна — компонент, другая — система, и самое интересное сравнение — это то, во сколько каждая обойдётся, когда вы соберёте вокруг неё работающего голосового агента.

Что именно представляет собой Sonic 3.6

Это модель синтеза речи, и, судя по имеющимся данным, хорошая. Потоки важнее маркетинга: поддерживаются WebSocket, Server-Sent Events и необработанные байты — именно это делает TTS-модель пригодной для использования в реальном вызове, а не только в пакетной обработке.

• Охват — 44 языка в 61 локали, включая хинди и хинглиш.

• Голоса — мгновенное клонирование за 10 секунд по референсному фрагменту; количество встроенных голосов для этого выпуска не опубликовано.

• Control — более 60 тегов эмоций и подачи, только на английском; скорость от 0.6x до 1.5x.

• Аудио — вывод с частотой от 8 кГц до 48 кГц в форматах WAV, MP3 или PCM с контекстным окном на 3 000 токенов.

• Задержка — заявленное производителем время до первого аудио менее 90 мс при потоковой передаче со скоростью около 132 символов в секунду.

• Arena — по данным Artificial Analysis, Provider Voice Elo около 1 282 и Controlled Voice около 1 123 на момент запуска; тогда она занимала первое место в обеих таблицах, но с тех пор позиции изменились.

• Открытость — без весов. Sonic 3.6 — хостинговая модель, как и Prism.

Cartesia также вывела из эксплуатации несколько старых моделей 20 октября 2026 года — sonic-turbo, sonic-2 и снимок sonic-3-2025-10-27, — а Sonic 3.5 по-прежнему указана как стабильная наряду с 3.6. Если вы выполняете миграцию, проверьте, на какое поколение фактически указывает ваша интеграция, поскольку переключение на выведенную из эксплуатации модель приводит к молчаливому сбою.

Арифметика 90 мс против 570 мс, выполненная как следует

Вот то, что упускает каждая страница рейтинга. В каскаде Sonic 3.6 три тактовых генератора работают последовательно:

• Распознавание речи звонящего — обычно несколько сотен миллисекунд, чтобы потоковый распознаватель завершил предложение.

• Ход языковой модели — переменное слагаемое: от 200 мс на короткое подтверждение до существенно более секунды, если агент рассуждает перед ответом.

• Этап синтеза Sonic 3.6 — менее 90 мс при тестируемой поставщиком скорости без учёта сети; независимые сквозные измерения реального пути вызова Cartesia оказываются в несколько раз выше, если учесть два других этапа.

Сложите три средних — и хорошо настроенный каскад укладывается где-то между 800 мс и 1,5 секунды от окончания речи звонящего до первого аудио агента. 0,57 секунды Prism покрывают всё это. Таким образом, на полном пути Prism не медленнее Sonic 3.6 — он быстрее конвейера, внутри которого работает Sonic 3.6, примерно в два раза в лучшем случае.

Меняется это только в одной архитектуре: если ваш ход языковой модели очень короткий, а распознаватель очень быстрый, каскад Sonic тоже может выдать первый звук примерно за полсекунды, и тогда 90-мс шаг действительно является причиной. Иначе говоря, 90 мс — это настоящее инженерное достижение, и оно выполняет работу — просто не ту, которую подразумевает таблица сравнения.

Честная формулировка — та, которую подтверждают собственные цифры Cartesia. Менее 90 мс — это самый быстрый этап синтеза на рынке, и он измерен без учёта сети. 570 мс у Prism — это цифра от производителя, измеренная на стенде τ-Voice самой Rime, а не независимой лабораторией. Ни одна из компаний не публиковала прямого сравнения, и никто не запускал оба решения на одном и том же пути вызова. Всё, что представляет их как сопоставимую гонку задержек, выдумывает результат.

Цена за минуту — именно здесь кроется настоящий разрыв.

Cartesia начисляет оплату по символам: примерно один кредит за символ, что Artificial Analysis нормализует до примерно $49 за миллион символов. В собственной документации Rime символы переводятся в минуты из расчёта примерно 1 000 символов в минуту речи, что даёт для Sonic 3.6 около $0,049 за минуту сгенерированного аудио. Более высокая скорость речи — 132 символа в секунду, на которых проводит замеры Cartesia, — снижает эту цифру примерно до $0,034. Итого — от трёх до пяти центов за минуту в зависимости от того, насколько быстро говорит ваш агент.

Prism стоит $0,080 за минуту аудио звонка на Flex и $0,064 на Scale. Но минута Prism — не та же самая минута. Оплата идет по аудио звонка, а не по речи агента, поэтому для Prism звонок, в котором звонящий говорит половину времени, стоит столько же, сколько и тот, в котором агент не замолкает. Одно это различие может сдвинуть эффективное сравнение на треть в любую сторону, и это первое, что нужно моделировать, когда вы рассчитываете пробный период.

Теперь соберите каскад. Sonic 3.6 за четыре цента, распознавание — от половины цента до цента, и языковая модель, которая стоит несколько центов за минуту при разговорных объёмах токенов, — вы получаете примерно от восьми до десяти центов за минуту речи агента, ещё до учёта инфраструктуры. Prism за восемь центов в этой системе координат не является премиальным продуктом. Это та же цена за один счёт, один договор и один бюджет задержки вместо трёх.

Структура тарифных планов Cartesia подкрепляет этот вывод. Free: 20 000 кредитов и 2 одновременных потока; Pro за $5: 100 000 кредитов и 3 одновременных потока; Startup за $49: 1,25 млн кредитов и 5 одновременных потоков; Scale за $299: 8 млн кредитов и 15 одновременных потоков; Enterprise — индивидуальные условия с DPA, BAA и региональным развёртыванием. Число одновременных подключений ограничено тарифом, и для контакт-центра именно этот параметр реально задаёт предел — 15 одновременных потоков на Scale — это загруженная очередь среднего размера, а не крупная.

Языковой охват против контроля: компромисс, который всё решает

Cartesia побеждает по охвату с большим и измеримым отрывом. Сорок четыре языка в 61 локали — это опубликованный, проверяемый список. Rime вообще не публикует число языков Prism, хотя её отдельные продукты синтеза речи публикуют свои цифры — но данных, специфичных для Prism, на странице продукта нет. Если вам нужно выйти на пятнадцать рынков в следующем квартале, одного этого отсутствия достаточно, чтобы снять вариант с рассмотрения, и Sonic 3.6 — это ответ независимо от всего остального в этой статье.

Prism побеждает в контроле, причём преимущество это структурное, а не количественное. Sonic 3.6 получает окончательный текст. Он может озвучить этот текст более чем с 60 эмоциональными тегами и произнести его со скоростью 1,5x, но не может от него отказаться. Prism сам создаёт текст — на один шаг раньше речи, — и Rime говорит, что приложение на этом этапе может переписывать, блокировать, размечать тегами или исправлять произношение, пока вызов продолжается. Регулируемое раскрытие информации, утверждение, которое нельзя делать, название конкурирующего бренда, которое никогда нельзя произносить, — всё это находится в контрольной точке, а не в тексте, который вы передаёте синтезатору.

Тот же контроль можно построить в каскаде Sonic. Поставьте проверку политики между языковой моделью и синтезатором — и у вас есть контрольная точка. Чего у вас нет — так это модели, которая рассуждает по аудио за один и тот же проход, а это вторая половина заявления Prism: тон, неуверенность и фоновый шум влияют на ответ, вместо того чтобы сначала быть сведены в транскрипт. Стоит ли это восемь центов против четырёх — вопрос о ваших звонках, а не о моделях.

Оба они доступны в стриминге, но ни одного из них нет в нашем каталоге.

Prism продаётся напрямую компанией Rime. Sonic 3.6 продаётся напрямую компанией Cartesia и через несколько сторонних платформ. Сегодня OrcaRouter не маршрутизирует ни один из них, и ничто в этом тексте не должно восприниматься как утверждение об обратном.

Маршрутизация — это тот слой, от которого зависят оба. В каскаде Sonic языковая модель в середине — это выбор, и именно в этом выборе фактически сосредоточены качество и стоимость вызова. Один ключ на OrcaRouter открывает доступ к более чем 200 моделям с наценкой 0% к цене провайдера по прайс-листу, с автоматическим переключением при сбое между провайдерами, так что зависшая разговорная модель не превращается в мёртвую тишину — запрос перенаправляется. DSL маршрутизации позволяет отправлять ходы-подтверждения маленькой дешёвой модели, а ходы-поиска — более крупной, в рамках одной конечной точки; это та же дисциплина затрат, которая нужна каскаду, и причина, по которой каскад всё ещё конкурентоспособен по цене.

И если вам нужен размещённый у провайдера этап синтеза без необходимости заводить отношения со вторым поставщиком, openai/tts-1-hd и google/gemini-3.1-flash-tts-preview оба доступны в каталоге по прейскурантной цене. Это не Sonic 3.6. Это два других конца того же конвейера, на том же ключе.

Вердикт с разбивкой по архитектурам

Если вы создаёте продукт более чем на нескольких языках, Cartesia Sonic 3.6 — правильный синтезатор, и на этом сравнение завершено. Сорок четыре языка — это факт; неопубликованный список — не обещание.

Если вы создаёте контакт-центр для одного рынка, где оператор не должен произносить определённые вещи, Rime Prism — единственный из двух, у кого есть место, чтобы встать между решением и произнесением, а при цене восемь центов за минуту это примерно те же деньги, что и каскад, который вам иначе пришлось бы собирать, — только с одним счётом вместо трёх.

Если вы где-то посередине, решающим фактором будет задержка под нагрузкой, а не задержка на графике бенчмарка. Задержка Cartesia менее 90 мс измеряется без учёта сети, и при развёртывании далеко от региона она будет значительно выше. Показатель Prism в 570 мс измеряется на стенде, где сети нет вообще. Запустите оба варианта на вашем реальном пути вызова, из вашего реального региона, прежде чем выбирать. Опубликованные цифры не могут решить этот вопрос, а любой, кто говорит, что могут, сравнивает два разных секундомера.

Одна оговорка насчёт чисел арены, поскольку их будут цитировать: Artificial Analysis Elo для Sonic 3.6 измеряет, как голос звучит для людей-оценщиков. Показатель Prism 56,6 на τ-Voice измеряет, как часто агент выполняет задачу в ходе 278 смоделированных звонков в службу поддержки. Это не один и тот же инструмент, они не используют общую шкалу, и вычитание одного из другого даёт число, которое ничего не значит. У Sonic 3.6 нет оценки τ-Voice, потому что это не агент. У Prism нет arena Elo, потому что это не голос. Эта асимметрия — всё сравнение в миниатюре.