Rime Prism vs Cartesia Sonic 3.6: Sluta jämföra 90 ms med 570 ms

Cartesia Sonic 3.6 svarar på under 90 millisekunder. Rime Prism svarar på ungefär 570. Om den meningen är hela din jämförelse har du redan nått en slutsats som är fel med en faktor två åt fel håll — för de två siffrorna börjar inte vid samma ögonblick. Sonic 3.6:s 90 ms är tiden från att texten anländer till synthesizern till den första ljudsamplen. Rime Prisms 570 ms är tiden från att en inringare avslutat sin mening till att agenten ger ifrån sig ett ljud. Mellan dessa två händelser ligger en taligenkänningskörning och en fullständig språkmodellstur, och ingen av dem utför Sonic 3.6. Sätt dem på samma klocka och gapet krymper till något som en inringare knappt kan skilja på, och då blir beslutet en fråga om pris, språktäckning och huruvida någon måste godkänna det som sägs.

Båda modellerna är aktuella och båda är tillgängliga. Cartesia Sonic 3.6blev allmänt tillgänglig den 27 augusti 2026 som en strömmande text-till-tal-modell som placerade sig högst i båda talarenorna från Artificial Analysis vid lanseringen – och har sedan passerats i takt med att nyare röster kom in på listan. Rime Prismlanserades den 28 oktober 2026 som en tal-till-tal-modell för $0,080 per minut av samtalsljud som skickar sitt svar som text innan den talar det. Den ena är en komponent, den andra är ett system, och den intressanta jämförelsen är vad var och en kostar när man bygger en fungerande röstagent runt den.

Vad Sonic 3.6 är, exakt

Det är en text-till-tal-modell, och enligt de tillgängliga beläggen en bra sådan. Strömmarna betyder mer än marknadsföringen: WebSocket, Server-Sent Events och råa bytes stöds alla, vilket är det som gör en TTS-modell användbar i ett pågående samtal i stället för bara i ett batchjobb.

• Täckning — 44 språk över 61 lokaler, inklusive hindi och hinglish.

• Röster — omedelbar kloning på 10 sekunder från ett referensklipp; inget offentliggjort antal standardröster för den här versionen.

• Kontroll – fler än 60 taggar för känsla och framförande, endast engelska; hastighet från 0,6x till 1,5x.

• Ljud — utdata på 8 kHz upp till 48 kHz i WAV, MP3 eller PCM, med ett kontextfönster på 3 000 token.

• Latens – under 90 ms enligt leverantörens uppgift om tid till första ljud vid cirka 132 tecken per sekund, vid strömning.

• Arena — Artificial Analysis Provider Voice Elo cirka 1 282 och Controlled Voice cirka 1 123 vid lanseringen, då högst upp i båda tabellerna, men har sedan dess flyttats.

• Öppenhet — inga vikter. Sonic 3.6 är en hostad modell, likt Prism.

Cartesia pensionerade också flera äldre modeller den 20 oktober 2026 – sonic-turbo, sonic-2 och snapshoten sonic-3-2025-10-27 – och Sonic 3.5 listas fortfarande som stabil tillsammans med 3.6. Om du migrerar bör du kontrollera vilken generation din integration faktiskt pekar på, eftersom en återgång till en pensionerad modell är ett tyst fel.

Aritmetiken för 90 ms kontra 570 ms, korrekt utförd

Här är delen som varje rankningssida hoppar över. En Sonic 3.6-kaskad har tre klockor som går i serie:

• Taligenkänning av den inringandes yttrande – vanligtvis några hundra millisekunder för en strömmande igenkännare att färdigställa en mening.

• Språkmodellens tur — den variabla termen, allt från 200 ms för ett kort bekräftande till långt över en sekund om agenten resonerar innan den svarar.

• Sonic 3.6:s synteshopp – under 90 ms vid leverantörens testade hastighet med nätverket uteslutet; oberoende mätningar från ände till ände av en aktiv Cartesia-anropsväg ligger flera gånger högre när de andra två hoppen räknas med.

Lägg till de tre mittersta, och en välavstämd kaskad landar någonstans mellan 800 ms och 1,5 sekunder från att den som ringer har slutat tala till det första ljudet från agenten. Prisms 0,57 sekunder täcker allt detta. Så på den kompletta vägen är Prism inte långsammare än Sonic 3.6 – den är snabbare än den pipeline som Sonic 3.6 ingår i, med ungefär en faktor två i den bästa änden.

Det där vänder bara i en arkitektur: om din språkmodeltur är väldigt kort och din igenkännare väldigt snabb kan en Sonic-kaskad också nå första ljud på ungefär en halv sekund, och då är 90 ms-hoppet genuint orsaken. Vilket vill säga att 90 ms är en verklig ingenjörsbragd och att det gör arbete – bara inte det arbete som jämförelsetabellen antyder.

Den ärliga framställningen är den som Cartesias egna siffror stöder. Under 90 ms är det snabbaste syntessteget på marknaden, och det är uppmätt med nätverket uteslutet. Prisms 570 ms är en leverantörssiffra, uppmätt på τ-Voice-mätramverket av Rime själva i stället för av ett neutralt laboratorium. Inget av företagen har publicerat en direkt jämförelse, och ingen har kört båda på samma samtalsväg. Allt som framställer de två som en likvärdig latensduell hittar på ett resultat.

Pris per minut, vilket är där den verkliga klyftan ligger

Cartesia fakturerar per tecken: ungefär en kredit per tecken, vilket Artificial Analysis normaliserar till cirka 49 dollar per miljon tecken. Rimes egen dokumentation omvandlar tecken till minuter vid ungefär 1 000 tecken per talad minut, vilket placerar Sonic 3.6 på nära 0,049 dollar per minut genererat ljud. Snabbare talhastigheter – de 132 tecken per sekund som Cartesia benchmarkar – drar ner det mot 0,034 dollar. Säg tre till fem cent per minut, beroende på hur snabbt din agent talar.

Prism kostar $0.080 per minut för samtalsljud på Flex och $0.064 på Scale. Men Prisms minut är inte samma minut. Den faktureras utifrån samtalsljud, inte utifrån agentens röst, så ett samtal där den som ringer talar halva tiden kostar Prism lika mycket som ett där agenten aldrig tystnar. Bara den skillnaden kan förskjuta den effektiva jämförelsen med en tredjedel åt endera hållet, och det är det första du bör modellera när du prissätter en provperiod.

Sätt nu samman kaskaden. Sonic 3.6 för fyra cent, igenkänning för en halv cent till en cent och en språkmodell som kostar några cent i minuten vid samtalsvolymer av tokens – du ligger på ungefär åtta till tio cent per minut som agenten talar, innan någon infrastruktur. Prism för åtta cent är inte en premiumprodukt i det perspektivet. Det är samma pris för en faktura, ett kontrakt och en latensbudget i stället för tre.

Cartesias planstruktur förstärker detta. Free med 20 000 krediter och 2 samtidiga; Pro för $5 för 100 000 krediter och 3 samtidiga; Startup för $49 för 1,25 miljoner krediter och 5 samtidiga; Scale för $299 för 8 miljoner krediter och 15 samtidiga; Enterprise anpassat med DPA, BAA och regional distribution. Samtidighet begränsas av nivån, vilket för ett kontaktcenter är det antal som faktiskt binder — 15 samtidiga strömmar på Scale är en hektisk medelstor kö, inte en stor.

Språktäckning kontra kontroll: avvägningen som avgör det

Cartesia vinner på täckning med en bred och mätbar marginal. Fyrtiofyra språk över 61 språkvarianter är en publicerad, testbar lista. Rime publicerar inte Prisms språkantal alls, även om deras separata text-till-tal-produkter publicerar sina egna siffror — men Prism-specifika siffror saknas på produktsidan. Om du behöver lansera på femton marknader nästa kvartal är den frånvaron diskvalificerande i sig, och Sonic 3.6 är svaret oavsett allt annat i den här artikeln.

Prism vinner kontroll, och med en marginal som är strukturell snarare än inkrementell. Sonic 3.6 får den slutliga texten. Den kan framföra den texten med mer än 60 känslotaggar och den kan säga den i 1,5x hastighet, men den kan inte avvisa den. Prism producerar själva texten, ett steg före talet, och Rime säger att applikationen kan skriva om, blockera, tagga eller korrigera uttal vid den punkten medan samtalet fortsätter. Ett reglerat avslöjande, ett påstående som inte får göras, ett konkurrerande varumärkesnamn som aldrig får sägas – de ligger vid kontrollpunkten, inte i texten du ger en syntetiserare.

Du kan bygga samma kontroll i en Sonic-kaskad. Lägg en policykontroll mellan språkmodellen och synthesizern, och du har kontrollpunkten. Det du inte har är en modell som resonerar över ljud i samma pass, och det är den andra halvan av Prisms påstående: tonfall, tvekan och bakgrundsljud formar svaret i stället för att först plattas ut till en transkription. Om det är värt åtta cent mot fyra är en fråga om dina samtal, inte om modellerna.

Båda streamar, ingen av dem finns i vår katalog.

Prism säljs direkt av Rime. Sonic 3.6 säljs direkt av Cartesia och via flera tredjepartsplattformar. Ingen av dem dirigeras av OrcaRouter i dag, och ingenting i den här texten bör tolkas som att det påstås motsatsen.

Det vi gör med routing är det lager som båda är beroende av. I en Sonic-kaskad är språkmodellen i mitten ett val, och det valet är där kvaliteten och kostnaden för anropet faktiskt ligger. En nyckel på OrcaRouter täcker över 200 modeller med 0 % påslag utöver leverantörens listpris, med automatisk failover mellan leverantörer, så att en konversationsmodell som stannar inte blir död luft – förfrågan dirigeras om i stället. Routing-DSL:en låter dig skicka bekräftelseturerna till en liten, billig modell och uppslagningsturerna till en större, inom en och samma endpoint, vilket är samma kostnadsdisciplin som en kaskad behöver och orsaken till att en kaskad fortfarande är konkurrenskraftig i pris.

Och om du vill ha ett hostat syntessteg utan en andra leverantörsrelation, openai/tts-1-hd och google/gemini-3.1-flash-tts-preview finns båda i katalogen till listpris. De är inte Sonic 3.6. De är de andra två ändarna av samma pipeline, med samma nyckel.

Domen, uppdelad efter arkitektur

Om du bygger för mer än en handfull språk är Cartesia Sonic 3.6 rätt syntetisator och jämförelsen är över. Fyrtiofyra språk är ett faktum; en opublicerad lista är inget löfte.

Om du bygger ett kontaktcenter för en enda marknad där agenten inte får säga vissa saker, är Rime Prism den enda av de två som har en plats att stå mellan beslutet och yttrandet, och för åtta cent per minut kostar det ungefär samma som den kaskad du annars skulle bygga – med en faktura i stället för tre.

Om du ligger någonstans mittemellan är det latensen under last, snarare än latensen i ett benchmarkdiagram, som avgör. Cartesias hopp på under 90 ms mäts med nätverket uteslutet, och en driftsättning långt från regionen kommer att se betydligt högre värden. Prisms 570 ms mäts på en testrigg som inte har något nätverk alls. Kör båda på din faktiska anropsväg, från din faktiska region, innan du väljer. De publicerade siffrorna kan inte avgöra detta, och den som säger att de kan jämför två olika stoppur.

Ett förbehåll om arenasiffrorna, eftersom de kommer att citeras: Artificial Analysis Elo för Sonic 3.6 mäter hur en röst låter för mänskliga bedömare. Prisms 56,6 på τ-Voice mäter hur ofta en agent slutför en uppgift under 278 simulerade servicesamtal. De är inte samma instrument, de delar inte skala, och att subtrahera det ena från det andra ger ett tal som inte betyder något. Sonic 3.6 har inget τ-Voice-resultat eftersom det inte är en agent. Prism har ingen arena-Elo eftersom det inte är en röst. Den asymmetrin är hela jämförelsen i miniatyr.