AssemblyAI-TTS-1 กับ Cartesia Sonic 3.6: ผู้ท้าชิงวัดผลเจ้าตลาดได้ที่ 143 มิลลิวินาที

ประโยคที่มีประโยชน์ที่สุดในโพสต์เปิดตัวของ AssemblyAI ไม่ได้เกี่ยวกับโมเดลของมันเอง แต่เป็นบรรทัดหนึ่งในตารางเปรียบเทียบที่แสดงให้เห็นว่าCartesia Sonic 3.6ใช้เวลา 143 มิลลิวินาทีในการคืนไบต์แรก ขณะที่AssemblyAI-TTS-1คืนไบต์แรกได้ใน 47 มิลลิวินาที — เป็นการทดสอบที่ AssemblyAI รันเอง บนฮาร์ดแวร์ของตัวเอง และเผยแพร่ข้อมูลเกี่ยวกับคู่แข่งที่ใช้เวลาสองปีในการสร้างภาพลักษณ์ว่าตัวเองคือ TTS ที่เร็วที่สุดในตลาด ตัวเลขจากผู้ขายของ Sonic 3.6 เองระบุว่า time to first audio ต่ำกว่า 90 มิลลิวินาที ซึ่งไม่ใช่การวัดแบบเดียวกัน บนเครือข่ายที่ไม่เหมือนกัน และตัวเลขสองจำนวนนี้ก็ถูกนำมาเทียบกันไปมาจนถึงทุกวันนี้ การปะทะกันตรงนี้คือจุดศูนย์กลางอย่างตรงไปตรงมาของการเทียบรุ่นครั้งนี้: รุ่นหนึ่งเป็นผู้นำด้านคุณภาพและภาษาในราคา 49 ดอลลาร์ต่อล้านตัวอักษร อีกรุ่นเป็นผู้ท้าชิงด้านราคาและปริมาณงานที่ 15 ดอลลาร์ และไม่มีรุ่นไหนเลยที่มีตัวเลขความหน่วงที่บุคคลที่สามซึ่งเป็นกลางยืนยันแล้ว

ทุกอย่างด้านล่างนี้เป็นข้อมูลที่ระบุวันที่ไว้แล้ว ตัวเลขของ Artificial Analysis ถูกอ่านเมื่อวันที่ 30 ตุลาคม 2026 และตารางอันดับต่าง ๆ ขยับไปหลายสิบ Elo ภายในไม่กี่สัปดาห์ Sonic 3.6 เองก็ขยับจากอันดับหนึ่งไปอยู่อันดับสี่ตั้งแต่เดือนสิงหาคม คำกล่าวอ้างของผู้จำหน่ายถูกกำกับว่าเป็นคำกล่าวอ้างของผู้จำหน่าย จุดข้อมูลค่า latency อิสระสองจุดที่มีอยู่ — การทดสอบในห้องแล็บของ AssemblyAI และการวัดแบบสตรีมมิ่งของ Cekura — วัดสิ่งที่แตกต่างกัน และถูกนำเสนอตามความเป็นจริงเช่นนั้น แทนที่จะนำมาเฉลี่ยรวมเป็นข้อเท็จจริงสมมติเพียงหนึ่งเดียว

พวกเขาอยู่ตรงไหนจริง ๆ ณ วันนี้

Cartesia Sonic 3.6 เปิดตัวเมื่อกลางเดือนสิงหาคม 2026 และขึ้นอันดับหนึ่งบนอารีนาเสียงพูดของ Artificial Analysis ทั้งสองแห่งภายในไม่กี่วัน — 1,282 คะแนนบน Provider Voice และ 1,123 คะแนนบน Controlled Voice ซึ่งเป็นตัวเลขที่บันทึกไว้ ณ เวลานั้น ผ่านไปสองเดือนครึ่งพร้อมรายการใหม่ ๆ ที่เข้ามา ตอนนี้มันอยู่ในที่ 1,296 คะแนนและอันดับสี่บน Provider Voice และ 1,147 คะแนนกับอันดับหกบน Controlled Voice คะแนนของมันเพิ่มขึ้น 14 คะแนน และอันดับลดลงสามตำแหน่ง นั่นคือสิ่งที่ตารางจัดอันดับที่เคลื่อนไหวเร็วทำ และเป็นเหตุผลว่าทำไมคอลัมน์อันดับในบทความเปิดตัวใด ๆ จึงล้าสมัยอย่างรวดเร็ว

• ผู้ให้บริการเสียง — Cartesia Sonic 3.6 1,296 อันดับที่ 4 เทียบกับ AssemblyAI-TTS-1 1,227 อันดับที่ 14

• เสียงแบบควบคุม (เสียงโคลนที่แชร์กันแปดเสียง) — Cartesia Sonic 3.6 1,147 อันดับ 6 เทียบกับ AssemblyAI-TTS-1 1,108 อันดับ 10

• ราคาต่อหนึ่งล้านตัวอักษร — $49 เทียบกับ $15

• ภาษา — 44 เทียบกับ 6 (อังกฤษ สเปน ฝรั่งเศส เยอรมัน อิตาลี โปรตุเกส)

• ปริมาณงาน (Artificial Analysis) — 148.6 ตัวอักษรต่อวินาที เทียบกับ 162

• ความทนทานด้านการออกเสียง (Artificial Analysis) — AssemblyAI 81.7% อยู่อันดับ 16 เทียบกับ Sonic ที่ได้อันดับต่ำกว่าในการทดสอบสตริงยากโดยบุคคลที่สาม

• การเรียกเก็บเงินสำหรับเสียงโคลน — Cartesia คิดค่าบริการ 1.5 เท่าสำหรับเสียงโคลน เทียบกับอัตราคงที่ของ AssemblyAI ที่รวมการโคลนเสียงไว้แล้ว

ช่องว่างทั้งสองไม่เท่ากัน 69 Elo บน Provider Voice เป็นความแตกต่างด้านคุณภาพที่จริงและมองเห็นได้ — ประมาณระยะห่างระหว่างโมเดลที่อยู่ติดกันในกลางตารางอันดับ และมากพอที่ผู้ฟังแบบไม่รู้ว่าเสียงใดมาจากโมเดลไหนจะมีความชอบ 37 Elo บน Controlled Voice นั้นเล็กกว่าและอยู่ในช่วงที่การประเมินเพียงรอบเดียวสามารถเลื่อนโมเดลได้หลายอันดับ พูดง่ายๆ คือ Sonic 3.6 ฟังดีกว่าด้วยเสียงของตัวเอง และทั้งสองใกล้กันพอเมื่อใช้เสียงโคลนจนรายละเอียดการนำไปใช้งานเป็นตัวชี้ขาด ช่องว่างราคา 3.3 เท่าไม่ถือว่าใกล้เคียงไม่ว่าจะวัดด้วยมาตรฐานใด

ข้อโต้แย้งเรื่องความหน่วง เล่าในสามรูปแบบ

มีการวัดอยู่สามแบบ และไม่มีแบบใดเลยที่ให้คำตอบที่ชัดเจนสำหรับคำถามนี้ ดังนั้นจึงคุ้มค่าที่จะระบุให้ชัดเจนว่าการวัดแต่ละแบบแสดงให้เห็นอะไร

การทดสอบแรกคือการทดสอบในแล็บของ AssemblyAI เอง พร้อมต์ 30 รายการ สามรอบ เสียงที่มีให้สี่เสียงต่อโมเดล คำขอครั้งละหนึ่งรายการ ไคลเอนต์เดียว ค่ามัธยฐานของเวลาถึงไบต์แรก: AssemblyAI 47 ms, ElevenLabs Flash v2.5 119 ms, Cartesia Sonic 3.6 143 ms, ElevenLabs v4 612 ms นี่เป็นการทดสอบที่สะอาดและอธิบายไว้ชัดเจน โดยมีข้อจำกัดที่ชัดเจน — คำขอแบบเรียงลำดับวัดตัวโมเดล ไม่ได้วัดตัวบริการ จึงไม่สามารถแสดงการเข้าคิว การแย่งชิงทรัพยากรเมื่อทำงานพร้อมกัน หรือต้นทุนเครือข่ายข้ามภูมิภาคได้ อีกทั้งยังมีปัญหาด้านแรงจูงใจ: ผู้จำหน่ายที่เผยแพร่ตารางนี้คือผู้จำหน่ายที่ชนะในตารางนี้

ข้อที่สองคือคำกล่าวอ้างของ Cartesia เอง: เวลาถึงเสียงแรกต่ำกว่า 90 ms ซึ่งบริษัทอธิบายว่าเป็นเฉพาะโมเดลและไม่รวมเครือข่าย โปรดสังเกตการเปลี่ยนหน่วย 47 ms ของ AssemblyAI คือไบต์แรก ส่วน 90 ms ของ Sonic คือเสียงแรก สิ่งเหล่านี้เป็นช่วงเวลาที่แตกต่างกันในไปป์ไลน์สตรีมมิ่ง และไบต์แรกสามารถมาถึงได้ก่อนเฟรมสังเคราะห์แรกมาก การนำมาเปรียบเทียบกันโดยตรงเป็นข้อผิดพลาดที่พบบ่อยที่สุดในการรายงานเกี่ยวกับการเปิดตัวครั้งนี้

ประการที่สามคือการวัดแบบสตรีมมิงที่เป็นอิสระของ Cekura ซึ่งจัดให้ AssemblyAI-TTS-1 อยู่ที่ค่ามัธยฐาน 159 มิลลิวินาทีในประโยคแบบเอเจนต์ — เป็นอันดับแปดจากสิบเก้าระบบ ไม่ใช่อันดับหนึ่ง นั่นเป็นสองเท่าของตัวเลขระดับโปรดักชันของผู้ขาย และใกล้เคียงกับสิ่งที่เส้นทางเครือข่ายจริงส่งผลต่อตัวเลขจากห้องแล็บที่สะอาด ไม่มีตัวเลขอิสระที่เทียบเท่าสำหรับ Sonic 3.6 ในรอบการทดสอบเดียวกัน ซึ่งหมายความว่าคำกล่าวที่ซื่อสัตย์ไม่ใช่ “AssemblyAI เร็วกว่า” แต่เป็น “AssemblyAI เร็วกว่าในการทดสอบที่มันออกแบบเอง และไม่มีโมเดลใดถูกนำมาแข่งโดยห้องแล็บที่เป็นกลางในวันเดียวกัน”

Throughput เป็นการเปรียบเทียบที่ชัดเจนกว่า เพราะ Artificial Analysis วัดด้วยวิธีเดียวกันสำหรับทั้งสองระบบ ที่ 162 ตัวอักษรต่อวินาที เทียบกับ 148.6 AssemblyAI สร้างเสียงได้เร็วกว่าประมาณ 9% — ซึ่งเป็นข้อได้เปรียบที่เล็กกว่าที่ตัวเลข first-byte บ่งชี้มาก และไม่มีความสำคัญสำหรับ live agent ที่ทั้งสองโมเดลเร็วกว่าเวลาจริงหลายเท่าอยู่แล้ว สิ่งที่สำคัญในการใช้งานจริงคือ tail latency และความน่าเชื่อถือภายใต้การทำงานพร้อมกัน และผู้จำหน่ายทั้งสองรายยังไม่ได้เผยแพร่ตัวเลข p99

ความแตกต่างของราคานั้นรวมถึงอะไรบ้าง

อัตรา $49 ของ Cartesia ไม่ใช่อัตราเหมาจ่ายรวมทุกอย่างแบบที่ $15 ของ AssemblyAI เป็น Sonic 3.6 คิดค่าบริการเสียงโคลนในอัตรา 1.5 เท่าของอัตรามาตรฐาน ซึ่งทำให้เอเจนต์ที่ใช้เสียงกำหนดเองมีค่าใช้จ่ายประมาณ $73.50 ต่อล้านตัวอักษร — ประมาณ 4.9 เท่าของอัตราของ AssemblyAI AssemblyAI คิด $15 สำหรับทั้งเสียงจากไลบรารีและเสียงโคลน รวมถึงการประทับเวลาเป็นรายคำ การประมวลผลในสหรัฐฯ หรือสหภาพยุโรป และการทำงานพร้อมกันแบบไม่จำกัด โดยไม่ต้องซื้อแพ็กเกจเป็นชั้นและไม่ต้องผูกมัดรายปี Cartesia ขายเครดิตผ่านแพ็กเกจที่ระดับรายเดือนฟรี, $5, $49 และ $299 และแพ็กเกจฟรีของบริษัทห้ามใช้เชิงพาณิชย์

คำนวณจากสคริปต์ ไม่ใช่จากเรตการ์ด: หนึ่งล้านตัวอักษรคิดเป็นเสียงพูดที่เสร็จแล้วประมาณ 18 ชั่วโมงที่ความเร็วการพูดปกติ ซึ่งทำให้ AssemblyAI อยู่ที่ประมาณ 81 เซนต์ต่อชั่วโมงเสียงพูดที่เสร็จแล้ว เทียบกับประมาณ $2.70 สำหรับ Sonic 3.6 ที่ราคาปกติ หรือประมาณ $4.05 เมื่อคิดเสียงโคลนในอัตรา 1.5 เท่า สำหรับการดำเนินงานหนึ่งแสนชั่วโมงต่อเดือน นั่นคือความแตกต่างระหว่างรายการค่าใช้จ่าย 81,000 ดอลลาร์กับ 270,000 ดอลลาร์ ไม่มีอะไรในคุณภาพเสียงที่พิสูจน์ตัวคูณ 3.3 เท่าได้ด้วยตัวเอง ข้อเสนอเพื่อสนับสนุน Cartesia ต้องสร้างจากความครอบคลุม การควบคุม และความน่าเชื่อถือ ไม่ใช่จาก Elo

ภาษาและการควบคุม ซึ่งเป็นจุดที่ Cartesia ยังคงชนะได้อย่างสบาย

สี่สิบสี่ภาษาที่รองรับในท้องถิ่นเมื่อเทียบกับหกภาษาเป็นช่องว่างเชิงฟังก์ชันที่ใหญ่ที่สุดเพียงหนึ่งเดียวในการเปรียบเทียบนี้ และไม่ใช่ช่องว่างที่การลดราคาจะปิดได้ AssemblyAI ให้บริการภาษาอังกฤษ สเปน ฝรั่งเศส เยอรมัน อิตาลี และโปรตุเกสพร้อมสำเนียงหลากหลาย และได้สัญญาว่าจะมีเพิ่มเติมโดยไม่มีกำหนดวันที่ หากเอเจนต์ของคุณให้บริการตลาดยุโรปนอกเหนือจากหกภาษานั้น ได้แก่ โปแลนด์ ดัตช์ สวีเดน กรีก Sonic 3.6 เป็นตัวเลือกเดียวในสองตัว และความแตกต่างด้านราคาก็ไม่สำคัญอีกต่อไป

ช่องว่างด้านการควบคุมก็เป็นไปในทิศทางเดียวกัน AssemblyAI-TTS-1 ไม่มี SSML ไม่มีพารามิเตอร์ความเร็ว ไม่มีพจนานุกรมการออกเสียง และไม่มีแท็กอารมณ์ในตอนเปิดตัว หน้าเปิดตัวของผู้ให้บริการเองระบุว่าอารมณ์เป็นความสามารถโดยธรรมชาติของโมเดล ขณะที่ FAQ ยืนยันว่าการควบคุมเฉพาะทางยังไม่มีให้ใช้ ผลิตภัณฑ์ของ Cartesia ถูกสร้างขึ้นรอบการพูดที่กำกับทิศทางได้ — ความเร็ว อารมณ์ และการจัดการการออกเสียงเป็นส่วนหนึ่งของข้อเสนอ สำหรับการบรรยายตามสคริปต์ การพากย์ หรือภาระงานใด ๆ ที่ต้องกำกับจังหวะ ปัจจุบัน AssemblyAI ให้คุณเขียนข้อความใหม่เพื่อให้ได้การส่งเสียงอย่างที่ต้องการ ซึ่งเป็นงานที่คุณเรียกเก็บเงินจากใครไม่ได้

จุดเดียวที่ AssemblyAI เป็นผู้นำด้านความสามารถก็คือจุดที่ Cartesia อ่อนแอที่สุดพอดี: {{1}}สตริงที่อ่านยาก{{/1}} Artificial Analysis ให้คะแนนความทนทานในการออกเสียงของ AssemblyAI ไว้ที่ 81.7% เป็นอันดับที่ 16 ในตารางนั้น และการประเมินของ AssemblyAI เองให้ความแม่นยำของเอนทิตีไว้ที่ 93.7% สำหรับหมายเลขโทรศัพท์ URL และรหัส เทียบกับ 82.5% ของ Sonic 3.6 — เป็นการเปรียบเทียบจากผู้จำหน่ายที่จัดทำโดยผู้จำหน่ายเอง และส่วนต่าง 11 พอยต์ที่มากเกินกว่าจะมองข้ามว่าเป็นความคลาดเคลื่อนจากระเบียบวิธี การทดสอบอิสระรายการหนึ่ง (ของ Gradium) ให้คะแนนกรณีทดสอบยากของ Sonic ไว้ที่ 75.1% สำหรับ IVR การอ่านยืนยันกลับ และรหัสยืนยัน ตัวเลขนั้นคือตัวเลขที่ชี้ขาดการนำไปใช้งาน

ใครควรรับอันไหน

เลือก {{1}}AssemblyAI-TTS-1{{/1}} เมื่อปริมาณงานสูง เป็นภาษาอังกฤษบวกอีกห้าภาษา และเน้นการอ่านกลับข้อมูลแบบมีโครงสร้าง — หมายเลขคำสั่งซื้อ ที่อยู่ รหัส ขนาดยา — ซึ่งข้อได้เปรียบด้านความแม่นยำของเอนทิตีและอัตราคงที่ {{2}}$15{{/2}} จะทบต้นกัน เลือก {{3}}Cartesia Sonic 3.6{{/3}} เมื่อคุณต้องการมากกว่าหกภาษา เมื่อการส่งเสียงต้องถูกกำกับทิศทางแทนการเขียนใหม่ เมื่อคุณกำลังโคลนเสียงและสามารถรับค่าใช้จ่าย {{4}}1.5x{{/4}} ได้ หรือเมื่อช่องว่างด้านความเป็นธรรมชาติของ {{5}}Provider Voice{{/5}} เป็นสิ่งที่ผู้ใช้ของคุณได้ยิน ความแตกต่าง {{6}}37-point{{/6}} ในอารีนาแบบควบคุมนั้นเล็กพอที่เอเจนต์ที่สร้างมาอย่างดีบนโมเดลใดโมเดลหนึ่งจะฟังดูดี; ความแตกต่าง {{7}}69-point{{/7}} ระหว่างผู้ให้บริการคือสิ่งที่ผู้ฟังสังเกตเห็น

มีทางเลือกที่สามที่ผู้จำหน่ายทั้งสองรายไม่ได้โฆษณา และเป็นทางเลือกที่ทีมส่วนใหญ่ลงเอยด้วย: ใช้งานทั้งสองระบบและให้ทราฟฟิกเป็นตัวตัดสิน การมีขา TTS สองขาอยู่เบื้องหลังกฎการกำหนดเส้นทางเดียวช่วยให้คุณส่งข้อความเสียงที่ต้องอ่านรหัสกลับบ่อยไปยังโมเดลที่อ่านรหัสได้ถูกต้อง และส่งงานบรรยายไปยังโมเดลที่ฟังดูดีกว่า โดยไม่ต้องดูแลเส้นทางการเชื่อมต่อสองเส้นทาง นั่นคือกรณีที่ชั้นการกำหนดเส้นทางนำเสนอเพื่อตัวเอง — โมเดลกว่า 200 โมเดลภายใต้ API เดียว ในอัตรากำไร 0% โดยส่งต่อราคาตามรายการ ดังนั้นการลดราคาในฝั่งใดฝั่งหนึ่งจึงมีผลในวันเดียวกัน และมี DSL การกำหนดเส้นทางเพื่อแบ่งทราฟฟิกตามปริมาณงานแทนการเดา ทั้ง AssemblyAI-TTS-1 และ Cartesia Sonic 3.6 ไม่มีอยู่ในแคตตาล็อกของ OrcaRouter ในปัจจุบัน ดังนั้นนี่จึงเป็นรูปแบบสำหรับการเปรียบเทียบมากกว่าจะเป็นข้อกล่าวอ้างเกี่ยวกับการโฮสต์โมเดลเหล่านี้ โมเดล TTS ที่เรากำหนดเส้นทางจริง — tts-1 ของ OpenAI รวมถึง tts-1-hd และ gpt-4o-mini-tts และ Gemini 3.1 Flash TTS Preview ของ Google — ครอบคลุมขาที่สอง ในขณะที่ผู้นำทั้งสองรายได้รับการประเมินบนทราฟฟิกของคุณเอง

อะไรจะทำให้เรื่องนี้จบลงได้จริง ๆ

ห้องแล็บที่เป็นกลางซึ่งรันทั้งสองโมเดลบนฮาร์ดแวร์เดียวกัน เส้นทางเครือข่ายเดียวกัน และโปรไฟล์โหลดเดียวกัน จะยุติข้อถกเถียงเรื่องความหน่วงได้ภายในบ่ายวันเดียว และยังไม่มีใครทำเรื่องนี้ จนกว่าจะถึงตอนนั้น จุดยืนที่ป้องกันได้คือ AssemblyAI เร็วกว่าในการทดสอบของตัวเอง และอาจเร็วกว่าในความเป็นจริงด้วย ส่วน Cartesia เป็นโมเดลที่เสียงดีกว่าและครอบคลุมกว้างไกลกว่ามาก และช่องว่างด้านราคาก็ใหญ่พอที่ข้อได้เปรียบด้านคุณภาพของ Sonic 3.6 จะต้องคุ้มค่าถึง 3.3 เท่าต่อตัวอักษร — หรือ 4.9 เท่าในกรณีเสียงโคลน — สำหรับผู้ซื้อที่จ่ายเงินเพื่อสิ่งนั้น

อีกสองพัฒนาการจะส่งผลต่อคำตอบมากกว่าการวัดผลแบบใด ๆ หาก AssemblyAI เปิดตัว SSML และพจนานุกรมการออกเสียง ข้อจำกัดเรื่องหกภาษาจะกลายเป็นข้อโต้แย้งเชิงหน้าที่เพียงข้อเดียวที่เหลืออยู่ และกรณีด้านราคาจะกลายเป็นเรื่องยากมากที่จะโต้แย้ง หาก Cartesia ลดอัตราค่าบริการลงสู่ระดับพื้นใหม่ของตลาด หรือขยายการคิดค่าบริการเสียงโคลน ข้อได้เปรียบด้านการครอบคลุมภาษาจะกลายเป็นเรื่องที่จ่ายไหว ให้จับตาสองความเคลื่อนไหวนั้นแทนการอ่านค่า Elo ครั้งถัดไป — บนกระดานที่โมเดลหนึ่งสามารถได้เพิ่ม 14 คะแนนและหล่นสามอันดับในสิบสัปดาห์ อันดับคือเสียงรบกวน ส่วนราคาคือสัญญาณ