Rime Prism กับ Cartesia Sonic 3.6: เลิกเปรียบเทียบ 90 ms กับ 570 ms

Cartesia Sonic 3.6 ตอบกลับภายในเวลาไม่ถึง 90 มิลลิวินาที ส่วน Rime Prism ตอบกลับในราว 570 มิลลิวินาที ถ้าประโยคนั้นคือการเปรียบเทียบทั้งหมดของคุณ คุณก็ได้ข้อสรุปที่คลาดเคลื่อนไปถึงสองเท่าในทางที่ผิดแล้ว เพราะตัวเลขสองตัวนั้นไม่ได้เริ่มนับจากวินาทีเดียวกัน 90 มิลลิวินาทีของ Sonic 3.6 คือเวลาตั้งแต่ข้อความส่งไปถึงตัวสังเคราะห์เสียงจนถึงตัวอย่างเสียงแรก ส่วน 570 มิลลิวินาทีของ Rime Prism คือเวลาตั้งแต่ผู้โทรพูดประโยคจบจนถึงเอเจนต์เปล่งเสียงออกมา ระหว่างสองเหตุการณ์นั้นมีขั้นตอนการรู้จำเสียงพูดและรอบการทำงานเต็มรูปแบบของแบบจำลองภาษาคั่นอยู่ ซึ่ง Sonic 3.6 ไม่ได้ทำทั้งสองอย่าง เมื่อวาง两者ไว้บนนาฬิกาเดียวกัน ช่องว่างก็แคบลงจนเหลือระดับที่ผู้โทรแทบแยกไม่ออก แล้วการตัดสินใจก็จะกลายเป็นเรื่องของราคา ความครอบคลุมทางภาษา และว่าจะต้องมีใครอนุมัติสิ่งที่พูดออกมาหรือไม่

ทั้งสองโมเดลเป็นรุ่นปัจจุบันและเปิดให้ใช้งานจริงแล้วทั้งคู่ Cartesia Sonic 3.6 เปิดให้บริการทั่วไป (GA) เมื่อวันที่ 27 สิงหาคม 2026 ในฐานะโมเดลแปลงข้อความเป็นเสียงแบบสตรีมมิ่งที่ขึ้นครองอันดับหนึ่งของทั้งสองเวทีเสียงของ Artificial Analysis ตอนเปิดตัว — และนับจากนั้นก็มีเสียงรุ่นใหม่ ๆ เข้ามาแซงไปแล้ว Rime Prism เปิดตัวเมื่อวันที่ 28 ตุลาคม 2026 ในฐานะโมเดลแปลงเสียงเป็นเสียงในราคา $0.080 ต่อนาทีของเสียงสายสนทนา ซึ่งจะส่งคำตอบออกมาเป็นข้อความก่อนจะพูดออกเสียง ตัวหนึ่งเป็นคอมโพเนนต์ อีกตัวเป็นระบบ และการเปรียบเทียบที่น่าสนใจคือแต่ละแบบมีค่าใช้จ่ายเท่าไรเมื่อคุณประกอบวอยซ์เอเจนต์ที่ใช้งานได้จริงโดยมีมันเป็นแกนกลาง

Sonic 3.6 คืออะไรกันแน่

โมเดลนี้เป็นโมเดลแปลงข้อความเป็นเสียง และจากหลักฐานที่มีอยู่ก็ถือว่าเป็นโมเดลที่ดี สตรีมสำคัญกว่าการตลาด: รองรับ WebSocket, Server-Sent Events และไบต์ดิบทั้งหมด ซึ่งเป็นสิ่งที่ทำให้โมเดล TTS ใช้งานได้ในการโทรแบบสด ไม่ใช่แค่ในงานแบบแบตช์

• ความครอบคลุม — 44 ภาษา ใน 61 โลเคิล รวมถึงภาษาฮินดีและฮิงลิช

• เสียง — การโคลนแบบทันทีภายใน 10 วินาทีจากคลิปอ้างอิง; ไม่มีการเปิดเผยจำนวนเสียงสำเร็จรูปสำหรับเวอร์ชันนี้

• การควบคุม — แท็กอารมณ์และการส่งถ้อยคำมากกว่า 60 แท็ก ใช้ได้เฉพาะภาษาอังกฤษเท่านั้น; ความเร็วตั้งแต่ 0.6x ถึง 1.5x

• เสียง — เอาต์พุต 8 kHz ถึง 48 kHz ในรูปแบบ WAV, MP3 หรือ PCM พร้อมหน้าต่างบริบทขนาด 3,000 โทเค็น

• ความหน่วง — เวลาถึงเสียงแรกต่ำกว่า 90 มิลลิวินาทีตามที่ผู้จำหน่ายระบุ ที่ความเร็วประมาณ 132 อักขระต่อวินาที แบบสตรีมมิ่ง

• Arena — ในช่วงเปิดตัว Artificial Analysis Provider Voice Elo อยู่ที่ประมาณ 1,282 และ Controlled Voice อยู่ที่ประมาณ 1,123 โดยติดอันดับต้น ๆ ของทั้งสองตารางในตอนนั้น และนับจากนั้นอันดับก็ได้ขยับเปลี่ยนแปลงไป

• ความเปิดกว้าง — ไม่มีน้ำหนักโมเดล Sonic 3.6 เป็นโมเดลแบบโฮสต์ เช่นเดียวกับ Prism

Cartesia ยังปลดระวางโมเดลรุ่นเก่าหลายรุ่นเมื่อวันที่ 20 ตุลาคม 2026 ได้แก่ sonic-turbo, sonic-2 และ snapshot sonic-3-2025-10-27 โดย Sonic 3.5 ยังคงถูกระบุว่าอยู่ในสถานะเสถียรเคียงข้าง 3.6 หากคุณกำลังย้ายระบบ ควรตรวจสอบว่าการผสานรวมของคุณชี้ไปที่รุ่นใดกันแน่ เพราะการ fallback ไปยังโมเดลที่ถูกปลดระวางแล้วจะทำให้เกิดความล้มเหลวแบบเงียบ ๆ

การคำนวณ 90 ms เทียบกับ 570 ms อย่างถูกต้อง

นี่คือส่วนที่ทุกหน้าการจัดอันดับมองข้ามไป แคสเคด Sonic 3.6 มีนาฬิกาสามตัวที่เดินต่อเนื่องกันเป็นลำดับ:

• การรู้จำเสียงพูดของผู้โทร — โดยทั่วไปต้องใช้เวลาสองสามร้อยมิลลิวินาทีสำหรับตัวรู้จำแบบสตรีมมิงในการประมวลผลประโยคให้เสร็จสมบูรณ์

• เทิร์นของโมเดลภาษา — พจน์ที่แปรผันได้ ซึ่งอยู่ตั้งแต่ 200 ms สำหรับการตอบรับสั้น ๆ ไปจนถึงมากกว่าหนึ่งวินาที หากเอเจนต์ให้เหตุผลก่อนตอบ

• hop การสังเคราะห์ของ Sonic 3.6 — ต่ำกว่า 90 มิลลิวินาทีที่อัตราที่ผู้จำหน่ายทดสอบ โดยไม่รวมเครือข่าย; การวัดแบบ end-to-end อิสระของเส้นทางการเรียก Cartesia แบบสดให้ค่าสูงกว่าหลายเท่าเมื่อนับรวมอีกสอง hop

เมื่อบวกสามส่วนตรงกลางเข้าไป แคสเคดที่ปรับแต่งมาอย่างดีจะอยู่ที่ราว 800 มิลลิวินาทีถึง 1.5 วินาที นับจากตอนที่ผู้โทรพูดจบจนถึงเสียงแรกของเอเจนต์ 0.57 วินาทีของ Prism ครอบคลุมทั้งหมดนั้น ดังนั้นบนเส้นทางที่สมบูรณ์ Prism จึงไม่ช้ากว่า Sonic 3.6 — แต่เร็วกว่าไปป์ไลน์ที่ Sonic 3.6 ทำงานอยู่ข้างในเสียอีก ประมาณสองเท่าเมื่ออยู่ในช่วงที่ดี

สิ่งนี้จะพลิกกลับเฉพาะในสถาปัตยกรรมเดียวเท่านั้น: หากเทิร์นของโมเดลภาษาของคุณสั้นมาก และตัวรู้จำเสียงของคุณเร็วมาก คาสเคดของ Sonic ก็สามารถไปถึงเสียงแรกได้ภายในประมาณครึ่งวินาทีเช่นกัน และเมื่อถึงตอนนั้น ระยะ hop 90 ms ก็เป็นเหตุผลที่แท้จริง ซึ่งหมายความว่า 90 ms เป็นความสำเร็จทางวิศวกรรมที่แท้จริงและกำลังทำงานอยู่ — เพียงแต่ไม่ใช่งานที่ตารางเปรียบเทียบสื่อให้เห็น

กรอบการนำเสนอที่ตรงไปตรงมาคือกรอบที่ตัวเลขของ Cartesia เองสนับสนุน ต่ำกว่า 90 มิลลิวินาทีเป็นช่วงการสังเคราะห์ที่เร็วที่สุดในตลาด และวัดโดยไม่รวมเครือข่าย 570 มิลลิวินาทีของ Prism เป็นตัวเลขจากผู้ขาย ซึ่งวัดบนชุดทดสอบ τ-Voice โดย Rime เอง ไม่ใช่โดยห้องแล็บที่เป็นกลาง ไม่มีบริษัทใดเผยแพร่การเปรียบเทียบแบบตัวต่อตัว และยังไม่มีใครรันทั้งสองระบบบนเส้นทางการเรียกเดียวกัน สิ่งใดก็ตามที่นำเสนอทั้งสองเป็นศึกวัดความหน่วงแบบเทียบกันได้ตรง ๆ กำลังกุผลลัพธ์ขึ้นมา

ราคาต่อนาที ซึ่งเป็นจุดที่ช่องว่างที่แท้จริงอยู่

Cartesia คิดค่าบริการตามตัวอักษร: ประมาณหนึ่งเครดิตต่อหนึ่งตัวอักษร ซึ่ง Artificial Analysis ปรับมาตรฐานเป็นประมาณ $49 ต่อล้านตัวอักษร เอกสารของ Rime เองแปลงตัวอักษรเป็นนาทีที่ประมาณ 1,000 ตัวอักษรต่อนาทีของการพูด ซึ่งทำให้ Sonic 3.6 อยู่ที่ประมาณ $0.049 ต่อนาทีของเสียงที่สร้างขึ้น อัตราการพูดที่เร็วขึ้น — 132 ตัวอักษรต่อวินาทีซึ่งเป็นค่าที่ Cartesia ใช้เป็นเกณฑ์วัด — ดันตัวเลขนั้นลงไปใกล้ $0.034 เรียกได้ว่าสามถึงห้าเซนต์ต่อนาที ขึ้นอยู่กับว่าเอเจนต์ของคุณพูดเร็วแค่ไหน

Prism ราคา $0.080 ต่อนาทีของเสียงในสายบน Flex และ $0.064 บน Scale แต่หนึ่งนาทีของ Prism ไม่ใช่นาทีแบบเดียวกัน เนื่องจากคิดค่าบริการจากเสียงในสาย ไม่ใช่เสียงพูดของเอเจนต์ สายที่ผู้โทรพูดเพียงครึ่งเวลาจึงมีต้นทุนสำหรับ Prism เท่ากับสายที่เอเจนต์พูดไม่หยุด ความแตกต่างเพียงข้อนี้อย่างเดียวสามารถเปลี่ยนการเปรียบเทียบที่แท้จริงได้ถึงหนึ่งในสามในทิศทางใดก็ได้ และเป็นสิ่งแรกที่ต้องจำลองเมื่อคุณกำหนดราคาสำหรับช่วงทดลอง

ตอนนี้ประกอบแคสเคดเข้าด้วยกัน Sonic 3.6 ที่สี่เซนต์ การรู้จำเสียงที่ครึ่งเซนต์ถึงหนึ่งเซนต์ และโมเดลภาษาที่มีต้นทุนไม่กี่เซนต์ต่อนาที ณ ปริมาณโทเคนระดับบทสนทนา — คุณอยู่ที่ประมาณแปดถึงสิบเซนต์ต่อนาทีที่เอเจนต์พูด ก่อนจะรวมโครงสร้างพื้นฐานใด ๆ Prism ที่แปดเซนต์ไม่ใช่ผลิตภัณฑ์ระดับพรีเมียมในกรอบนั้น มันเป็นราคาเดียวกันสำหรับบิลเดียว สัญญาหนึ่งฉบับ และงบความหน่วงเดียว แทนที่จะเป็นสามอย่าง

โครงสร้างแผนของ Cartesia ตอกย้ำเรื่องนี้ แผนฟรีมี 20,000 เครดิตและ 2 concurrent; Pro ราคา $5 สำหรับ 100,000 เครดิตและ 3 concurrent; Startup ราคา $49 สำหรับ 1.25 ล้านเครดิตและ 5 concurrent; Scale ราคา $299 สำหรับ 8 ล้านเครดิตและ 15 concurrent; Enterprise กำหนดเองพร้อม DPA, BAA และการติดตั้งใช้งานระดับภูมิภาค การทำงานพร้อมกัน (concurrency) ถูกจำกัดตาม tier ซึ่งสำหรับศูนย์ติดต่อแล้ว นี่คือตัวเลขที่กำหนดขีดจำกัดจริง — 15 concurrent streams ในแผน Scale คือคิวขนาดกลางที่ค่อนข้างยุ่ง ไม่ใช่คิวขนาดใหญ่

ความครอบคลุมของภาษาเมื่อเทียบกับการควบคุม: การแลกเปลี่ยนที่ตัดสินผลลัพธ์

Cartesia ชนะด้านความครอบคลุมด้วยส่วนต่างที่มากและวัดผลได้ รายการภาษา 44 ภาษาใน 61 โลแคลเป็นรายการที่เผยแพร่และทดสอบได้ Rime ไม่เผยแพร่จำนวนภาษาของ Prism เลย แม้ว่าผลิตภัณฑ์แปลงข้อความเป็นเสียงแยกของบริษัทจะเผยแพร่จำนวนภาษาของตนก็ตาม แต่ตัวเลขเฉพาะของ Prism กลับไม่มีอยู่ในหน้าผลิตภัณฑ์ หากคุณต้องเปิดตัวใน 15 ตลาดในไตรมาสหน้า การไม่มีข้อมูลนั้นก็ถือเป็นข้อตัดสิทธิ์ในตัวเองแล้ว และ Sonic 3.6 คือคำตอบ ไม่ว่าบทความนี้จะมีเนื้อหาอื่นใดก็ตาม

Prism ชนะการควบคุม และชนะด้วยช่องว่างที่เป็นเชิงโครงสร้างมากกว่าจะเป็นการเพิ่มขึ้นทีละน้อย Sonic 3.6 ได้รับข้อความสุดท้าย มันสามารถแสดงข้อความนั้นด้วยแท็กอารมณ์มากกว่า 60 แท็ก และพูดด้วยความเร็ว 1.5 เท่าได้ แต่ไม่สามารถปฏิเสธข้อความนั้นได้ Prism สร้างข้อความเอง หนึ่งขั้นก่อนการพูด และ Rime กล่าวว่าแอปพลิเคชันสามารถเขียนใหม่ บล็อก ติดแท็ก หรือแก้ไขการออกเสียง ณ จุดนั้นได้ในขณะที่การโทรดำเนินอยู่ การเปิดเผยข้อมูลตามกฎระเบียบ ข้อกล่าวอ้างที่ไม่ควรกล่าวถึง ชื่อแบรนด์คู่แข่งที่ไม่ควรพูดออกมาเด็ดขาด — สิ่งเหล่านั้นอยู่ที่จุดตรวจ ไม่ใช่ในข้อความที่คุณส่งให้ระบบสังเคราะห์เสียง

คุณสร้างการควบคุมแบบเดียวกันนี้ได้ใน Sonic cascade วางการตรวจสอบนโยบายไว้ระหว่างโมเดลภาษากับตัวสังเคราะห์เสียง แล้วคุณก็จะมีจุดตรวจสอบ สิ่งที่คุณยังไม่มีคือโมเดลที่ใช้เหตุผลกับเสียงได้ในรอบเดียวกัน และนั่นคือครึ่งหลังของข้ออ้างของ Prism: น้ำเสียง ความลังเล และเสียงรบกวนพื้นหลังช่วยหล่อเลี้ยงคำตอบ แทนที่จะถูกทำให้แบนราบเป็นบทถอดเสียงก่อน ว่าเรื่องนี้คุ้มค่าแปดเซนต์เทียบกับสี่เซนต์หรือไม่นั้น เป็นคำถามเกี่ยวกับการเรียกใช้งานของคุณ ไม่ใช่เกี่ยวกับตัวโมเดล

ทั้งสองเรื่องสตรีมได้ แต่ไม่มีเรื่องไหนอยู่ในแคตตาล็อกของเรา

Prism ขายตรงโดย Rime ส่วน Sonic 3.6 ขายตรงโดย Cartesia และผ่านแพลตฟอร์มบุคคลที่สามหลายแห่ง ทั้งสองยังไม่ถูกจัดเส้นทางโดย OrcaRouter ในปัจจุบัน และไม่มีสิ่งใดในบทความนี้ที่ควรตีความว่าเป็นการอ้างเป็นอย่างอื่น

การกำหนดเส้นทางคือชั้นที่ทั้งสองพึ่งพา ใน Sonic cascade โมเดลภาษาที่อยู่ตรงกลางเป็นทางเลือก และทางเลือกนั้นเองคือจุดที่คุณภาพและต้นทุนของการเรียกอยู่จริง คีย์เดียวบน OrcaRouter ครอบคลุมโมเดลกว่า 200 รุ่น โดยบวกเพิ่ม 0% จากราคาตามรายการของผู้ให้บริการ พร้อมการสลับไปยังระบบสำรองอัตโนมัติระหว่างผู้ให้บริการ เพื่อให้โมเดลสนทนาที่หยุดชะงักไม่กลายเป็นช่วงเงียบ — คำขอจะถูกเปลี่ยนเส้นทางแทน DSL สำหรับการกำหนดเส้นทางช่วยให้คุณส่งเทิร์นตอบรับไปยังโมเดลเล็กที่ราคาถูก และส่งเทิร์นค้นหาไปยังโมเดลที่ใหญ่กว่า ภายในปลายทางเดียว ซึ่งเป็นวินัยด้านต้นทุนแบบเดียวกับที่ cascade ต้องใช้ และเป็นเหตุผลที่ cascade ยังคงแข่งขันด้านราคาได้

และหากคุณต้องการใช้ขั้นตอนการสังเคราะห์เสียงแบบโฮสต์โดยไม่ต้องมีความสัมพันธ์กับผู้จำหน่ายรายที่สอง openai/tts-1-hd และ google/gemini-3.1-flash-tts-preview ต่างก็อยู่ในแคตตาล็อกในราคาตามรายการ ทั้งสองไม่ใช่ Sonic 3.6 แต่เป็นอีกสองปลายทางของไปป์ไลน์เดียวกัน บนคีย์เดียวกัน

ข้อสรุป แยกตามสถาปัตยกรรม

หากคุณกำลังสร้างระบบที่รองรับภาษามากกว่าสองสามภาษา Cartesia Sonic 3.6 คือซินธิไซเซอร์ที่ถูกต้อง และการเปรียบเทียบก็จบลงแล้ว การมีอยู่จริง 44 ภาษาเป็นข้อเท็จจริง ส่วนรายการที่ยังไม่เปิดเผยไม่ใช่คำสัญญา

หากคุณกำลังสร้างคอนแทคเซ็นเตอร์สำหรับตลาดเดียวที่เอเจนต์ต้องไม่พูดบางสิ่งบางอย่าง Rime Prism คือหนึ่งในสองตัวเลือกเดียวที่มีจุดคั่นระหว่างการตัดสินใจกับถ้อยคำที่จะพูดออกมา และด้วยราคาแปดเซนต์ต่อนาที ก็คิดเป็นเงินพอ ๆ กับระบบแบบคาสเคดที่คุณจะต้องประกอบขึ้นเอง — โดยมีบิลเดียวแทนที่จะเป็นสามบิล

ถ้าคุณอยู่ตรงกลางระหว่างสอง extremes นี้ ตัวตัดสินคือเวลาแฝงภายใต้โหลดจริง มากกว่าเวลาแฝงบนกราฟผลทดสอบมาตรฐาน ค่าฮอปต่ำกว่า 90 ms ของ Cartesia วัดโดยไม่รวมเครือข่าย และการติดตั้งที่อยู่ไกลจากภูมิภาคนั้นจะเห็นค่าสูงขึ้นอย่างมาก ค่า 570 ms ของ Prism วัดบนชุดทดสอบที่ไม่มีเครือข่ายเลย รันทั้งสองบนเส้นทางการเรียกจริงของคุณ จากภูมิภาคจริงของคุณ ก่อนตัดสินใจ ตัวเลขที่เผยแพร่ไม่สามารถตัดสินเรื่องนี้ได้ และใครก็ตามที่บอกว่าตัดสินได้ ก็กำลังเปรียบเทียบนาฬิกาจับเวลาสองเรือนที่ต่างกัน

ข้อควรระวังประการหนึ่งเกี่ยวกับตัวเลขในอารีนา เพราะตัวเลขเหล่านั้นจะถูกนำไปอ้างอิง: Elo ของ Artificial Analysis สำหรับ Sonic 3.6 วัดว่าเสียงหนึ่งฟังดูเป็นอย่างไรต่อผู้ประเมินที่เป็นมนุษย์ ส่วน 56.6 ของ Prism บน τ-Voice วัดว่าเอเจนต์ทำงานสำเร็จบ่อยเพียงใดจากการเรียกใช้บริการจำลอง 278 ครั้ง สองสิ่งนี้ไม่ใช่เครื่องมือเดียวกัน ไม่ได้ใช้มาตรวัดร่วมกัน และการนำตัวหนึ่งไปลบออกจากอีกตัวจะให้ตัวเลขที่ไม่มีความหมาย Sonic 3.6 ไม่มีคะแนน τ-Voice เพราะมันไม่ใช่เอเจนต์ Prism ไม่มี Elo ของอารีนาเพราะมันไม่ใช่เสียง ความไม่สมมาตรนั้นคือการเปรียบเทียบทั้งหมดในแบบย่อ