AssemblyAI-TTS-1 so với Cartesia Sonic 3.6: Kẻ thách thức đã đo được mức 143 ms của sản phẩm đương nhiệm

Câu hữu ích nhất trong bài đăng ra mắt của AssemblyAI không nói về mô hình của chính họ. Đó là một dòng trong bảng so sánh cho thấy Cartesia Sonic 3.6 mất 143 mili giây để trả về byte đầu tiên trong khi AssemblyAI-TTS-1 trả về byte đầu tiên trong 47 — một bài kiểm thử do AssemblyAI thực hiện, trên phần cứng của chính họ, và công bố về một đối thủ đã dành hai năm tiếp thị mình là TTS nhanh nhất trên thị trường. Con số của nhà cung cấp Sonic 3.6 là dưới 90 ms thời gian đến âm thanh đầu tiên, đây không phải cùng một phép đo, trên không cùng một mạng, và hai con số đã được đem ra đối chiếu với nhau kể từ đó. Sự va chạm đó là tâm điểm trung thực của cuộc đối đầu này: một mô hình dẫn đầu về chất lượng và ngôn ngữ ở mức $49 mỗi triệu ký tự, mô hình kia là đối thủ thách thức về giá và thông lượng ở mức $15, và cả hai đều không có con số độ trễ nào được một bên trung lập xác nhận.

Mọi nội dung dưới đây đều được ghi ngày tháng. Các số liệu của Artificial Analysis được đọc vào ngày 30 tháng 10 năm 2026, và các bảng xếp hạng có thể xê dịch hàng chục Elo chỉ trong vài tuần; bản thân Sonic 3.6 đã tụt từ vị trí thứ nhất xuống thứ tư kể từ tháng 8. Các tuyên bố của nhà cung cấp được dán nhãn là tuyên bố của nhà cung cấp. Hai điểm dữ liệu độ trễ độc lập hiện có — lần chạy trong phòng thí nghiệm của AssemblyAI và phép đo truyền luồng của Cekura — đo những thứ khác nhau và được trình bày đúng như vậy thay vì lấy trung bình rồi biến thành một “sự thật” giả tạo duy nhất.

Vị trí thực tế của họ tính đến hôm nay

Cartesia Sonic 3.6 ra mắt vào giữa tháng 8 năm 2026 và chỉ trong vài ngày đã chiếm vị trí đầu bảng trên cả hai đấu trường giọng nói của Artificial Analysis — 1.282 trên Provider Voice và 1.123 trên Controlled Voice, đều là những con số được ghi nhận tại thời điểm đó. Sau hai tháng rưỡi với nhiều mục mới gia nhập, nó giữ 1.296 và vị trí thứ tư trên Provider Voice, cùng 1.147 và vị trí thứ sáu trên Controlled Voice. Điểm số của nó tăng 14 điểm còn thứ hạng tụt ba bậc. Đó là cách một bảng xếp hạng vận động nhanh hoạt động, và đó là lý do cột thứ hạng trong bất kỳ bài viết giới thiệu sản phẩm mới nào cũng nhanh chóng trở nên lỗi thời.

• Giọng nói nhà cung cấp — Cartesia Sonic 3.6 1,296, thứ 4 so với AssemblyAI-TTS-1 1,227, thứ 14

• Giọng nói được kiểm soát (tám giọng nói clone dùng chung) — Cartesia Sonic 3.6 1,147, thứ 6 so với AssemblyAI-TTS-1 1,108, thứ 10

• Giá mỗi triệu ký tự — $49 so với $15

• Ngôn ngữ — 44 so với 6 (tiếng Anh, tiếng Tây Ban Nha, tiếng Pháp, tiếng Đức, tiếng Ý, tiếng Bồ Đào Nha)

• Thông lượng (Artificial Analysis) — 148,6 ký tự mỗi giây so với 162

• Độ ổn định phát âm (Artificial Analysis) — AssemblyAI 81.7%, vị trí thứ 16 so với vị trí thấp hơn của Sonic trong các bài kiểm tra chuỗi khó của bên thứ ba

• Tính phí giọng nói đã sao chép — Cartesia tính 1.5x cho giọng nói đã sao chép so với mức giá cố định của AssemblyAI đã bao gồm cả việc sao chép

Hai khoảng cách không cùng độ lớn. Sáu mươi chín Elo trên Provider Voice là một khác biệt chất lượng thực sự, rõ ràng — xấp xỉ khoảng cách giữa các mô hình liền kề ở giữa bảng xếp hạng, và đủ để một người nghe trong điều kiện mù có thiên hướng ưa thích. Ba mươi bảy Elo trên Controlled Voice nhỏ hơn và nằm trong phạm vi mà một vòng đánh giá duy nhất có thể khiến một mô hình dịch chuyển vài bậc. Nói một cách đơn giản: Sonic 3.6 nghe hay hơn với giọng riêng của nó, còn hai mô hình đủ gần nhau với giọng nhân bản đến mức các chi tiết triển khai quyết định. Chênh lệch giá 3,3 lần không thể gọi là gần dù theo bất kỳ thước đo nào.

Lập luận về độ trễ, được trình bày theo ba cách

Có ba phép đo và không phép đo nào trong số đó giải đáp được câu hỏi, nên đáng để xác định rõ từng phép đo cho thấy điều gì.

Đầu tiên là bài kiểm tra phòng thí nghiệm của chính AssemblyAI. Ba mươi lời nhắc, ba vòng, bốn giọng có sẵn mỗi mô hình, mỗi lần một yêu cầu, một khách hàng duy nhất. Thời gian trung vị đến byte đầu tiên: AssemblyAI 47 ms, ElevenLabs Flash v2.5 119 ms, Cartesia Sonic 3.6 143 ms, ElevenLabs v4 612 ms. Đây là một bài kiểm tra sạch sẽ, được mô tả kỹ lưỡng với một hạn chế rõ ràng — các yêu cầu tuần tự đo lường mô hình, không phải dịch vụ. Nó không thể hiển thị hàng đợi, tranh chấp đồng thời hoặc chi phí mạng giữa các vùng. Nó cũng có vấn đề về động cơ: nhà cung cấp công bố bảng là nhà cung cấp giành chiến thắng trong đó.

Điều thứ hai là tuyên bố của chính Cartesia: thời gian đến âm thanh đầu tiên dưới 90 ms, mà công ty mô tả là chỉ tính mô hình và không bao gồm mạng. Lưu ý việc thay đổi đơn vị. 47 ms của AssemblyAI là byte đầu tiên; 90 ms của Sonic là âm thanh đầu tiên; đó là những thời điểm khác nhau trong một pipeline truyền phát, và byte đầu tiên có thể đến sớm hơn nhiều so với khung tổng hợp đầu tiên. So sánh trực tiếp chúng là lỗi phổ biến nhất trong việc đưa tin về lần ra mắt này.

Thứ ba là phép đo streaming độc lập của Cekura, với kết quả đặt AssemblyAI-TTS-1 ở mức trung vị 159 ms trên các câu kiểu agent — đứng thứ tám trong mười chín hệ thống, không phải thứ nhất. Con số đó gấp đôi con số sản xuất của nhà cung cấp và gần như khớp với mức mà một đường mạng thực tế tác động lên một con số phòng lab sạch. Không có con số độc lập tương đương nào cho Sonic 3.6 trong cùng lần chạy đó, nghĩa là phát biểu trung thực không phải là "AssemblyAI nhanh hơn" mà là "AssemblyAI nhanh hơn trong một bài kiểm tra do chính họ thiết kế, và cả hai mô hình đều chưa được một phòng lab trung lập đem ra so tài trong cùng ngày."

Thông lượng là phép so sánh rõ ràng hơn vì Artificial Analysis đo nó theo cùng một cách cho cả hai. Ở mức 162 ký tự mỗi giây so với 148,6, AssemblyAI tạo âm thanh nhanh hơn khoảng 9% — một lợi thế nhỏ hơn nhiều so với hàm ý của các con số về byte đầu tiên, và không có ý nghĩa đối với một agent trực tiếp khi cả hai mô hình đều đã nhanh hơn thời gian thực vài lần. Điều quan trọng trong môi trường sản xuất là độ trễ đuôi và độ tin cậy khi xử lý đồng thời, và cả hai nhà cung cấp đều chưa công bố chỉ số p99.

Chênh lệch giá bao gồm những gì

Mức 49 đô la của Cartesia không phải là giá trọn gói cố định như mức 15 đô la của AssemblyAI. Sonic 3.6 tính phí giọng nói nhân bản ở mức 1,5 lần giá tiêu chuẩn, khiến một agent dùng giọng tùy chỉnh tốn khoảng 73,50 đô la cho mỗi triệu ký tự — gấp khoảng 4,9 lần mức giá của AssemblyAI. AssemblyAI tính 15 đô la cho cả giọng thư viện lẫn giọng nhân bản, bao gồm dấu thời gian theo từng từ, xử lý tại Mỹ hoặc EU và xử lý đồng thời không giới hạn, không cần mua theo bậc gói và không ràng buộc hợp đồng hàng năm. Cartesia bán credits theo các gói ở mức miễn phí, 5 đô la, 49 đô la và 299 đô la mỗi tháng, và gói miễn phí của họ cấm sử dụng cho mục đích thương mại.

Đã tính toán dựa trên một kịch bản thay vì bảng giá: một triệu ký tự tương đương khoảng 18 giờ giọng nói thành phẩm ở tốc độ nói thông thường, khiến AssemblyAI có giá khoảng 81 xu mỗi giờ thành phẩm, so với khoảng 2,70 đô la cho Sonic 3.6 theo giá niêm yết, hoặc khoảng 4,05 đô la khi giọng nhân bản được tính theo mức 1,5 lần. Với một hoạt động 100.000 giờ mỗi tháng, đó là khác biệt giữa một khoản mục 81.000 đô la và một khoản mục 270.000 đô la. Không có gì về chất lượng giọng nói tự nó biện minh cho hệ số nhân 3,3 lần; luận cứ ủng hộ Cartesia phải được xây dựng trên độ phủ, khả năng kiểm soát và độ tin cậy, chứ không phải trên Elo.

Ngôn ngữ và các điều khiển, nơi Cartesia vẫn giành chiến thắng một cách thoải mái

Bốn mươi bốn ngôn ngữ được bản địa hóa so với sáu là khoảng trống chức năng lớn nhất duy nhất trong so sánh này, và đó không phải là khoảng trống mà việc giảm giá có thể lấp đầy. AssemblyAI cung cấp tiếng Anh, Tây Ban Nha, Pháp, Đức, Ý và Bồ Đào Nha với nhiều giọng khác nhau, và đã hứa sẽ bổ sung thêm nhưng không có ngày cụ thể. Nếu agent của bạn phục vụ các thị trường châu Âu nằm ngoài sáu ngôn ngữ đó — tiếng Ba Lan, Hà Lan, Thụy Điển, Hy Lạp — thì Sonic 3.6 là lựa chọn duy nhất trong hai, và khác biệt về giá không còn quan trọng nữa.

Khoảng cách về khả năng điều khiển cũng diễn ra theo cùng hướng. AssemblyAI-TTS-1 không có SSML, không có tham số tốc độ, không có từ điển phát âm và không có thẻ cảm xúc khi ra mắt; trang ra mắt của chính nhà cung cấp mô tả cảm xúc là tính năng gốc của mô hình, trong khi phần FAQ xác nhận các điều khiển chuyên dụng không khả dụng. Sản phẩm của Cartesia được xây dựng quanh giọng nói có thể điều hướng — tốc độ, cảm xúc và xử lý cách phát âm là một phần của gói cung cấp. Đối với tường thuật theo kịch bản, lồng tiếng hoặc bất kỳ khối lượng công việc nào cần chỉ đạo nhịp độ, AssemblyAI hiện yêu cầu bạn viết lại văn bản để có được cách thể hiện mong muốn, tức là công việc mà bạn không thể tính phí cho ai.

Nơi duy nhất AssemblyAI dẫn đầu về năng lực lại chính là nơi Cartesia yếu nhất: các chuỗi khó. Artificial Analysis xếp độ ổn định phát âm của AssemblyAI ở mức 81,7%, đứng thứ mười sáu trên bảng đó, và đánh giá của chính AssemblyAI đưa độ chính xác thực thể lên 93,7% đối với số điện thoại, URL và mã, so với 82,5% của Sonic 3.6 — một so sánh do nhà cung cấp thực hiện, và khoảng cách 11 điểm là quá lớn để có thể gạt đi như nhiễu phương pháp. Một thử nghiệm độc lập (của Gradium) đặt điểm các ca khó của Sonic ở mức 75,1%. Đối với IVR, việc đọc lại và mã xác nhận, đó chính là con số quyết định việc triển khai.

Ai nên lấy cái nào

Chọn AssemblyAI-TTS-1 khi khối lượng công việc lớn, gồm tiếng Anh cộng năm ngôn ngữ và tập trung nhiều vào việc đọc lại có cấu trúc — số đơn hàng, địa chỉ, mã, liều lượng — nơi lợi thế về độ chính xác thực thể và mức giá cố định 15 đô la cộng dồn. Chọn Cartesia Sonic 3.6 khi bạn cần hơn sáu ngôn ngữ, khi cách thể hiện phải được điều khiển trực tiếp thay vì viết lại, khi bạn đang nhân bản giọng nói và có thể chịu mức tính phí gấp 1,5 lần, hoặc khi khoảng cách về độ tự nhiên trên Provider Voice chính là điều người dùng của bạn nghe thấy. Khác biệt 37 điểm trong đấu trường có kiểm soát đủ nhỏ để một tác nhân được xây dựng tốt trên một trong hai mô hình vẫn nghe ổn; khác biệt 69 điểm giữa các nhà cung cấp mới là điều người nghe nhận ra.

Có một lựa chọn thứ ba mà cả hai nhà cung cấp đều không quảng cáo, và đây chính là hướng mà hầu hết các đội ngũ chọn: chạy cả hai và để lưu lượng quyết định. Hai nhánh TTS nằm sau một quy tắc định tuyến cho phép bạn gửi những câu nói có nhiều nội dung đọc lại (readback) đến mô hình đọc mã chính xác và gửi phần tường thuật đến mô hình nghe hay hơn, mà không phải duy trì hai đường tích hợp. Đó chính là lý do một lớp định tuyến tự chứng minh giá trị của mình — hơn 200 mô hình sau một API duy nhất với mức phụ phí 0%, giá niêm yết được chuyển thẳng, nên bất kỳ đợt giảm giá nào từ phía nào cũng có hiệu lực ngay trong ngày, cùng với DSL định tuyến để chia lưu lượng theo khối lượng công việc thay vì phỏng đoán. Hiện tại cả AssemblyAI-TTS-1 lẫn Cartesia Sonic 3.6 đều chưa có trong danh mục của OrcaRouter, nên đây là một khung so sánh chứ không phải tuyên bố về việc lưu trữ chúng; các mô hình TTS mà chúng tôi thực sự định tuyến — tts-1 của OpenAI, tts-1-hd và gpt-4o-mini-tts, cùng Gemini 3.1 Flash TTS Preview của Google — sẽ đảm nhận nhánh thứ hai trong khi hai mô hình dẫn đầu được đánh giá trên chính lưu lượng của bạn.

Điều gì thực sự sẽ giải quyết được chuyện đó

Một phòng thí nghiệm trung lập chạy cả hai mô hình trên cùng phần cứng, cùng đường mạng và cùng cấu hình tải sẽ chấm dứt tranh cãi về độ trễ trong một buổi chiều, và chưa ai làm điều đó. Cho đến lúc đó, lập trường có thể bảo vệ được là AssemblyAI nhanh hơn trong bài kiểm tra của chính họ và có thể nhanh hơn trong thực tế, Cartesia là mô hình có âm thanh hay hơn với độ phủ rộng hơn nhiều, và khoảng cách giá đủ lớn đến mức lợi thế chất lượng của Sonic 3.6 phải đáng giá gấp 3,3 lần mỗi ký tự — hoặc, với giọng nói nhân bản, gấp 4,9 lần — đối với người mua trả tiền cho nó.

Hai diễn biến khác sẽ làm thay đổi câu trả lời nhiều hơn bất kỳ benchmark nào. Nếu AssemblyAI tung ra SSML và từ điển phát âm, giới hạn sáu ngôn ngữ sẽ trở thành phản đối chức năng duy nhất còn lại, và lập luận về giá sẽ rất khó phản bác. Nếu Cartesia cắt giá xuống mức sàn mới của thị trường, hoặc mở rộng cách tính phí giọng sao chép, lợi thế về độ phủ sẽ trở nên có thể chi trả được. Hãy theo dõi hai động thái đó thay vì chỉ số Elo tiếp theo — trên một bảng xếp hạng nơi một mô hình có thể tăng 14 điểm và mất ba bậc trong mười tuần, thứ hạng là nhiễu còn giá là tín hiệu.