AssemblyAI-TTS-1 vs Cartesia Sonic 3.6: utmanaren mätte den etablerade till 143 ms

Den mest användbara meningen i AssemblyAI:s lanseringsinlägg handlar inte om deras egen modell. Det är en rad i en jämförelsetabell som visar Cartesia Sonic 3.6 ta 143 millisekunder för att returnera en första byte medan AssemblyAI-TTS-1 returnerade en på 47 – ett test som AssemblyAI körde, på sin egen hårdvara, och publicerade om en konkurrent som i två år har marknadsfört sig som den snabbaste TTS:en på marknaden. Sonic 3.6:s egen leverantörssiffra är under 90 ms till första ljudet, vilket inte är samma mätning, inte på samma nätverk, och de två siffrorna har sedan dess citerats mot varandra. Den kollisionen är den ärliga kärnan i den här jämförelsen: den ena modellen är kvalitets- och språkledaren för $49 per miljon tecken, den andra är pris- och genomströmningsutmanaren för $15, och ingen av dem har en latenssiffra som en neutral part har bekräftat.

Allt nedan är daterat. Siffrorna från Artificial Analysis lästes den 30 oktober 2026, och listorna kan förskjutas med tiotals Elo inom några veckor; Sonic 3.6 har självt flyttats från första till fjärde plats sedan augusti. Leverantörspåståenden är märkta som leverantörspåståenden. De två oberoende latensdatapunkter som finns – AssemblyAI:s labbkörning och Cekuras strömningsmätning – mäter olika saker och presenteras som sådana i stället för att medelvärdesberäknas till ett enda låtsasfaktum.

Var de faktiskt står i dag

Cartesia Sonic 3.6 lanserades i mitten av augusti 2026 och tog förstaplatsen på båda Artificial Analysis talarenor inom några dagar – 1 282 på Provider Voice och 1 123 på Controlled Voice, båda avlästa vid det tillfället. Två och en halv månad av nya bidrag senare har den 1 296 och fjärde plats på Provider Voice, samt 1 147 och sjätte plats på Controlled Voice. Dess poäng ökade med 14 poäng och dess placering sjönk tre placeringar. Det är vad en snabbföränderlig resultattavla gör, och det är därför placeringskolumnen i vilken lanseringsartikel som helst åldras dåligt.

• Leverantörsröst — Cartesia Sonic 3.6 1 296, 4:e plats mot AssemblyAI-TTS-1 1 227, 14:e plats

• Kontrollerad röst (åtta delade klonade röster) — Cartesia Sonic 3.6 1 147, 6:e plats mot AssemblyAI-TTS-1 1 108, 10:e plats

• Pris per miljon tecken — 49 USD jämfört med 15 USD

Språk — 44 vs 6 (engelska, spanska, franska, tyska, italienska, portugisiska)

• Genomströmning (Artificial Analysis) — 148,6 tecken per sekund jämfört med 162

• Uttalstålighet (Artificial Analysis) – AssemblyAI 81,7 %, 16:e plats jämfört med Sonics lägre placering i tredjepartstester med svåra strängar

• Fakturering för klonade röster – Cartesia tar 1,5x för klonade röster jämfört med AssemblyAIs fasta pris som inkluderar kloning

De två gapen är inte lika stora. Sextionio Elo på Provider Voice är en verklig, synlig kvalitetsskillnad – ungefär avståndet mellan intilliggande modeller i mitten av tabellen, och tillräckligt stor för att en blind lyssnare ska ha en preferens. Trettiosju Elo på Controlled Voice är mindre och landar i intervallet där en enda utvärderingsrunda kan flytta en modell flera placeringar. I enklare ord: Sonic 3.6 låter bättre med sina egna röster, och de två är nära nog med en klonad röst att driftsättningsdetaljer avgör. En prisskillnad på 3,3x är inte nära på något sätt.

Latensargumentet, berättat på tre sätt

Det finns tre mätningar, och ingen av dem avgör frågan, så det är värt att vara precis om vad var och en av dem visar.

Det första är AssemblyAI:s eget labbtest. Trettio prompter, tre rundor, fyra standardröster per modell, en förfrågan i taget, en enda klient. Median tid till första byte: AssemblyAI 47 ms, ElevenLabs Flash v2.5 119 ms, Cartesia Sonic 3.6 143 ms, ElevenLabs v4 612 ms. Detta är ett rent, välbeskrivet test med en uppenbar begränsning – sekventiella förfrågningar mäter modellen, inte tjänsten. Det kan inte visa köbildning, samtidighetskonflikt eller nätverkskostnad mellan regioner. Det har också ett incitamentsproblem: leverantören som publicerar tabellen är leverantören som vinner den.

Det andra är Cartesias eget påstående: under 90 ms till första ljud, vilket företaget beskriver som endast modellen och exklusive nätverket. Notera enhetsbytet. AssemblyAI:s 47 ms är en första byte; Sonics 90 ms är första ljud; det är olika ögonblick i en strömmande pipeline, och en första byte kan anlända långt innan den första syntetiserade ramen. Att jämföra dem direkt är det vanligaste felet i bevakningen av den här lanseringen.

Den tredje är Cekuras oberoende streamingmätning, som placerade AssemblyAI-TTS-1 på 159 ms i median över agentliknande meningar – åttonde av nitton system, inte först. Det är dubbelt så mycket som leverantörens produktionssiffra och ungefär i linje med vad en verklig nätverksväg gör med en ren labbsiffra. Ingen motsvarande oberoende siffra för Sonic 3.6 fanns tillgänglig i samma körning, vilket betyder att det ärliga påståendet inte är "AssemblyAI är snabbare" utan "AssemblyAI är snabbare i ett test som det själv har utformat, och ingen av modellerna har testats head-to-head av ett neutralt labb samma dag."

Genomströmning är den renare jämförelsen eftersom Artificial Analysis mäter den på samma sätt för båda. Vid 162 tecken per sekund mot 148,6 genererar AssemblyAI ljud cirka 9 % snabbare – en mycket mindre fördel än siffrorna för första byten antyder, och en som är irrelevant för en liveagent där båda modellerna redan är flera gånger snabbare än realtid. Det som spelar roll i produktion är tail-latens och tillförlitlighet vid samtidig belastning, och ingen av leverantörerna har publicerat en p99-siffra.

Vad prisskillnaden omfattar

Cartesias $49 är inte ett fast all-in-pris på det sätt som AssemblyAIs $15 är. Sonic 3.6 debiterar klonade röster till 1,5 gånger standardpriset, vilket pressar en agent som använder anpassade röster till ungefär $73,50 per miljon tecken — cirka 4,9 gånger AssemblyAIs pris. AssemblyAI tar $15 för såväl biblioteksröster som kloner, inkluderar ordtidsstämplar, bearbetning i USA eller EU och obegränsad samtidighet, utan att man behöver köpa en nivå och utan årligt åtagande. Cartesia säljer krediter via planer vid de månatliga nivåerna gratis, $5, $49 och $299, och deras gratisnivå förbjuder kommersiell användning.

Genomräknat på ett manus i stället för en prislista: en miljon tecken är ungefär 18 timmar färdigt tal i normalt tal tempo, vilket gör AssemblyAI till cirka 81 cent per färdig timme, jämfört med cirka 2,70 dollar för Sonic 3.6 enligt listpris, eller omkring 4,05 dollar när klonade röster debiteras till 1,5x-satsen. För en verksamhet som hanterar hundratusen timmar i månaden är det skillnaden mellan en post på 81 000 dollar och en på 270 000 dollar. Inget i röstkvaliteten motiverar en 3,3x-multiplikator i sig; argumentet för Cartesia måste byggas på täckning, kontrollmöjligheter och tillförlitlighet, inte på Elo.

Språk och kontroller, där Cartesia fortfarande vinner med god marginal

Fyrtiofyra lokaliserade språk mot sex är den enskilt största funktionella luckan i den här jämförelsen, och det är inte en lucka som en prissänkning täpper till. AssemblyAI levererar engelska, spanska, franska, tyska, italienska och portugisiska med flera accenter och har lovat fler utan att ange datum. Om din agent betjänar europeiska marknader utanför dessa sex – polska, nederländska, svenska, grekiska – är Sonic 3.6 det enda alternativet av de två, och prisskillnaden spelar inte längre någon roll.

Kontrollgapet går i samma riktning. AssemblyAI-TTS-1 har ingen SSML, ingen hastighetsparameter, ingen uttalsordbok och inga känsloetiketter vid lansering; leverantörens egen lanseringssida beskriver känsla som inbyggd i modellen, medan deras FAQ bekräftar att dedikerade kontroller inte är tillgängliga. Cartesias produkt är byggd kring styrbart tal – hastighet, känsla och uttalshantering är en del av erbjudandet. För manusbaserad uppläsning, dubbning eller vilken arbetsuppgift som helst där tempot måste styras ber AssemblyAI dig just nu att skriva om texten för att få det framförande du vill ha, vilket är arbete du inte kan fakturera någon för.

Det enda område där AssemblyAI leder i förmåga är exakt det område där Cartesia är svagast: svåra strängar. Artificial Analysis placerar AssemblyAI:s uttalsrobusthet på 81,7 %, på sextonde plats på den listan, och AssemblyAI:s egen utvärdering placerar entitetsnoggrannheten på 93,7 % för telefonnummer, URL:er och koder, mot 82,5 % för Sonic 3.6 – en leverantörsjämförelse, utförd av leverantören, och en spridning på 11 punkter som är för stor för att avfärda som metodbrus. Ett oberoende test (Gradiums) satte poängen för svåra fall för Sonic 3.6 till 75,1 %. För IVR, återläsningar och bekräftelsekoder är det siffran som avgör driftsättningen.

Vem ska ta vilken

Välj AssemblyAI-TTS-1 när arbetsbelastningen är högvolym, engelska plus fem språk och mycket strukturerad uppläsning – ordernummer, adresser, koder, doseringar – där fördelen med entitetsnoggrannhet och den fasta taxan på $15 samverkar. Välj Cartesia Sonic 3.6 när du behöver fler än sex språk, när framförandet måste regisseras i stället för att skrivas om, när du klonar röster och kan absorbera 1,5x-faktureringen, eller när naturlighetsgapet i Provider Voice är det som dina användare hör. Skillnaden på 37 punkter i den kontrollerade arenan är liten nog att en välbyggd agent på endera modellen låter bra; skillnaden på 69 punkter mellan leverantörerna är den som en lyssnare lägger märke till.

Det finns ett tredje alternativ som ingen av leverantörerna annonserar, och det är det som de flesta team landar på: kör båda och låt trafiken avgöra. Två TTS-ben bakom en enda routningsregel låter dig skicka yttranden med mycket återläsning till modellen som läser koder korrekt och uppläsning till modellen som låter bättre, utan att underhålla två integrationsvägar. Det är just det argument som ett routningslager gör för sig självt – fler än 200 modeller bakom ett enda API med 0 % påslag och listpriser som skickas vidare, så en prissänkning på endera sidan slår igenom samma dag, och routnings-DSL:en för att dela upp trafiken efter arbetsbelastning i stället för gissningar. Varken AssemblyAI-TTS-1 eller Cartesia Sonic 3.6 finns i OrcaRouter-katalogen idag, så detta är ett upplägg för jämförelsen snarare än ett påstående om att vara värd för dem; de TTS-modeller vi faktiskt routar – OpenAI:s tts-1, tts-1-hd och gpt-4o-mini-tts, samt Googles Gemini 3.1 Flash TTS Preview – täcker det andra benet medan de två ledande modellerna utvärderas på din egen trafik.

Vad skulle faktiskt avgöra det?

Ett neutralt labb som kör båda modellerna på samma hårdvara, samma nätverksväg och samma belastningsprofil skulle avgöra latensargumentet på en eftermiddag, och ingen har gjort det. Fram till dess är den försvarbara ståndpunkten att AssemblyAI är snabbare i sitt eget test och möjligen snabbare i verkligheten, att Cartesia är modellen som låter bättre med långt bredare täckning, och att prisskillnaden är stor nog att Sonic 3.6:s kvalitetsfördel måste vara värd 3,3 gånger per tecken – eller, för klonade röster, 4,9 gånger – för köparen som betalar för den.

Två andra utvecklingar skulle flytta svaret mer än något benchmark. Om AssemblyAI lanserar SSML och uttalsordböcker blir sexspråksgränsen den enda återstående funktionella invändningen, och prisargumentet blir mycket svårt att bemöta. Om Cartesia sänker sin taxa mot marknadens nya golv, eller utökar sin fakturering för klonade röster, blir täckningsfördelen överkomlig. Bevaka dessa två drag i stället för nästa Elo-mätning – på en resultattavla där en modell kan öka med 14 poäng och förlora tre placeringar på tio veckor är rankingen brus och priset signal.