Rime Prism vs Cartesia Sonic 3.6: Đừng so sánh 90 ms với 570 ms

Cartesia Sonic 3.6 trả lời trong dưới 90 mili giây. Rime Prism trả lời trong khoảng 570 mili giây. Nếu câu đó là toàn bộ phép so sánh của bạn, thì bạn đã đi đến một kết luận sai lệch một hệ số hai theo hướng ngược lại — vì hai con số không bắt đầu từ cùng một thời điểm. 90 ms của Sonic 3.6 là thời gian từ khi văn bản đến bộ tổng hợp âm thanh đến mẫu âm thanh đầu tiên. 570 ms của Rime Prism là thời gian từ khi người gọi nói xong câu đến khi tác nhân phát ra âm thanh. Giữa hai sự kiện đó là một lượt nhận dạng giọng nói và một lượt mô hình ngôn ngữ đầy đủ, mà Sonic 3.6 không thực hiện cả hai. Đặt chúng trên cùng một thang thời gian thì khoảng cách thu hẹp xuống mức mà người gọi khó có thể phân biệt được, và khi đó quyết định trở thành vấn đề về giá, phạm vi ngôn ngữ và việc có ai phải phê duyệt những gì được nói ra hay không.

Cả hai mô hình đều là phiên bản hiện tại và đều đang được phát hành. Cartesia Sonic 3.6 đã chính thức ra mắt (GA) vào ngày 27 tháng 8 năm 2026 với tư cách là mô hình chuyển văn bản thành giọng nói dạng truyền phát, đứng đầu cả hai đấu trường giọng nói của Artificial Analysis ngay khi ra mắt — và kể từ đó đã bị vượt qua khi những giọng nói mới hơn gia nhập bảng xếp hạng. Rime Prism ra mắt ngày 28 tháng 10 năm 2026 với tư cách là mô hình chuyển giọng nói thành giọng nói với giá $0.080 mỗi phút âm thanh cuộc gọi, mô hình này phát câu trả lời dưới dạng văn bản trước khi nói ra. Một cái là thành phần, một cái là hệ thống, và phép so sánh thú vị là chi phí của từng cái khi bạn lắp ráp một tác nhân thoại đang vận hành xung quanh nó.

Sonic 3.6 chính xác là gì

Đây là một mô hình chuyển văn bản thành giọng nói, và theo những bằng chứng hiện có thì đây là một mô hình tốt. Các luồng dữ liệu quan trọng hơn những lời tiếp thị: WebSocket, Server-Sent Events và byte thô đều được hỗ trợ, và chính điều đó khiến một mô hình TTS có thể dùng được trong một cuộc gọi trực tiếp chứ không chỉ trong một tác vụ chạy hàng loạt.

• Độ phủ — 44 ngôn ngữ trên 61 vùng ngôn ngữ, bao gồm tiếng Hindi và Hinglish.

• Giọng nói — nhân bản tức thời trong 10 giây từ một đoạn clip tham chiếu; không có số lượng giọng nói có sẵn nào được công bố cho bản phát hành này.

• Điều khiển — hơn 60 thẻ cảm xúc và cách thể hiện, chỉ hỗ trợ tiếng Anh; tốc độ từ 0.6x đến 1.5x.

• Âm thanh — đầu ra từ 8 kHz đến 48 kHz ở định dạng WAV, MP3 hoặc PCM, với cửa sổ ngữ cảnh 3.000 token.

• Độ trễ — thời gian đến âm thanh đầu tiên dưới 90 ms theo công bố của nhà cung cấp, ở tốc độ khoảng 132 ký tự mỗi giây, dạng truyền phát.

• Arena — Artificial Analysis Provider Voice Elo khoảng 1.282 và Controlled Voice khoảng 1.123 khi ra mắt, khi đó đứng đầu cả hai bảng, kể từ đó vị trí đã thay đổi.

• Tính cởi mở — không có trọng số. Sonic 3.6 là mô hình được lưu trữ trên máy chủ, giống như Prism.

Cartesia cũng đã ngừng sử dụng một số mô hình cũ hơn vào ngày 20 tháng 10 năm 2026 — sonic-turbo, sonic-2 và ảnh chụp nhanh sonic-3-2025-10-27 — và Sonic 3.5 vẫn được liệt kê là ổn định song song với 3.6. Nếu bạn đang di chuyển, hãy kiểm tra xem tích hợp của bạn thực sự trỏ đến thế hệ nào, bởi vì việc dự phòng sang một mô hình đã ngừng sử dụng là một lỗi thầm lặng.

Phép tính 90 ms so với 570 ms, được thực hiện đúng cách

Đây là phần mà mọi trang xếp hạng đều bỏ qua. Một Sonic 3.6 cascade có ba đồng hồ chạy nối tiếp:

• Nhận dạng giọng nói từ phát ngôn của người gọi — thường mất vài trăm mili giây để một bộ nhận dạng dạng luồng hoàn tất một câu.

• Lượt của mô hình ngôn ngữ — thành phần biến đổi, từ 200 ms cho một lời xác nhận ngắn cho đến hơn một giây nếu tác nhân suy luận trước khi trả lời.

• Chặng tổng hợp của Sonic 3.6 — dưới 90 ms ở mức tốc độ mà nhà cung cấp đã kiểm thử, không tính mạng; các phép đo độc lập từ đầu đến cuối trên một đường gọi Cartesia thực tế lại cao hơn gấp vài lần khi tính cả hai chặng còn lại.

Tính thêm ba chặng ở giữa, một chuỗi xử lý được tinh chỉnh tốt sẽ rơi vào đâu đó giữa 800 ms và 1,5 giây, tính từ khi người gọi nói xong đến âm thanh đầu tiên từ agent. 0,57 giây của Prism bao trùm toàn bộ quãng đó. Vậy trên toàn tuyến, Prism không chậm hơn Sonic 3.6 — nó còn nhanh hơn chính pipeline mà Sonic 3.6 nằm trong đó, nhanh hơn khoảng gấp đôi ở đầu mút tốt nhất.

Điều đó chỉ đảo ngược trong một kiến trúc: nếu lượt mô hình ngôn ngữ của bạn rất ngắn và bộ nhận dạng của bạn rất nhanh, một chuỗi xếp tầng Sonic cũng có thể đạt âm thanh đầu tiên trong khoảng nửa giây, và khi đó bước nhảy 90 ms thực sự chính là lý do. Nói cách khác, 90 ms là một thành tựu kỹ thuật thực sự và nó đang có tác dụng — chỉ là không phải tác dụng mà bảng so sánh ngụ ý.

Cách diễn đạt trung thực là cách mà chính các con số của Cartesia ủng hộ. Dưới 90 ms là bước tổng hợp nhanh nhất trên thị trường, và con số này được đo khi đã loại trừ mạng. Con số 570 ms của Prism là số liệu của nhà cung cấp, được đo trên bộ khung τ-Voice bởi chính Rime chứ không phải bởi một phòng thí nghiệm trung lập. Cả hai công ty đều chưa công bố một so sánh trực tiếp, và chưa ai chạy cả hai trên cùng một đường gọi. Bất kỳ nội dung nào trình bày hai bên như một cuộc đua độ trễ có thể so sánh ngang bằng đều đang bịa ra kết quả.

Giá mỗi phút, chính là nơi khoảng cách thực sự nằm

Cartesia tính phí theo ký tự: khoảng một credit cho mỗi ký tự, mà Artificial Analysis chuẩn hóa thành khoảng 49 đô la mỗi triệu ký tự. Tài liệu của chính Rime quy đổi ký tự sang phút với khoảng 1.000 ký tự mỗi phút nói, khiến Sonic 3.6 vào khoảng 0,049 đô la mỗi phút âm thanh được tạo. Tốc độ nói nhanh hơn — 132 ký tự mỗi giây mà Cartesia đo chuẩn — đẩy mức đó xuống khoảng 0,034. Tạm tính là ba đến năm xu một phút, tùy vào tốc độ nói của agent của bạn.

Prism có giá $0,080 mỗi phút âm thanh cuộc gọi trên Flex và $0,064 trên Scale. Nhưng “phút” của Prism không phải là cùng một phút. Nó được tính phí theo âm thanh cuộc gọi, không theo lời nói của tổng đài viên, nên một cuộc gọi mà người gọi nói trong một nửa thời gian sẽ khiến Prism tốn chi phí tương đương với một cuộc gọi mà tổng đài viên nói không ngừng. Chỉ riêng sự khác biệt đó có thể làm lệch phép so sánh hiệu quả tới một phần ba theo cả hai hướng, và đây là điều đầu tiên cần mô hình hóa khi bạn định giá một bản dùng thử.

Giờ hãy lắp ghép chuỗi xử lý. Sonic 3.6 ở mức bốn xu, nhận dạng ở mức nửa xu đến một xu, và một mô hình ngôn ngữ tốn vài xu mỗi phút ở khối lượng token hội thoại — bạn đang ở khoảng tám đến mười xu mỗi phút tác nhân nói, trước khi tính bất kỳ hạ tầng nào. Prism ở mức tám xu không phải là một sản phẩm cao cấp trong bối cảnh đó. Đó là cùng một mức giá cho một hóa đơn, một hợp đồng và một ngân sách độ trễ thay vì ba.

Cấu trúc gói của Cartesia củng cố điều này. Free với 20.000 tín dụng và 2 luồng đồng thời; Pro ở mức $5 cho 100.000 tín dụng và 3 luồng đồng thời; Startup ở mức $49 cho 1,25 triệu tín dụng và 5 luồng đồng thời; Scale ở mức $299 cho 8 triệu tín dụng và 15 luồng đồng thời; Enterprise tùy chỉnh với DPA, BAA và triển khai theo khu vực. Mức đồng thời bị giới hạn theo gói, mà với một trung tâm liên hệ, đây mới là con số thực sự ràng buộc — 15 luồng đồng thời trên Scale là một hàng đợi cỡ vừa đang bận rộn, chứ không phải cỡ lớn.

Độ phủ ngôn ngữ so với khả năng kiểm soát: sự đánh đổi định đoạt mọi thứ

Cartesia giành lợi thế về độ phủ với khoảng cách rộng và có thể đo lường được. Bốn mươi bốn ngôn ngữ trên 61 locale là một danh sách đã được công bố và có thể kiểm chứng. Rime hoàn toàn không công bố số lượng ngôn ngữ của Prism, dù các sản phẩm chuyển văn bản thành giọng nói riêng của hãng có công bố con số của mình — nhưng các số liệu riêng cho Prism lại vắng mặt trên trang sản phẩm. Nếu bạn cần ra mắt tại mười lăm thị trường vào quý tới, sự thiếu vắng đó tự nó đã là yếu tố loại trừ, và Sonic 3.6 là câu trả lời bất kể mọi điều khác trong bài viết này.

Prism giành được quyền kiểm soát, và với khoảng cách mang tính cấu trúc chứ không phải gia tăng dần. Sonic 3.6 nhận văn bản cuối cùng. Nó có thể thể hiện văn bản đó với hơn 60 thẻ cảm xúc và có thể đọc nó ở tốc độ 1,5x, nhưng không thể từ chối nó. Prism tự tạo ra văn bản, một bước trước khi nói, và Rime cho biết ứng dụng có thể viết lại, chặn, gắn thẻ hoặc sửa cách phát âm tại thời điểm đó trong khi cuộc gọi vẫn tiếp tục. Một công bố theo quy định, một tuyên bố không được phép đưa ra, một tên thương hiệu đối thủ không bao giờ được nói ra — những thứ đó nằm ở điểm kiểm soát, chứ không nằm trong văn bản bạn đưa cho bộ tổng hợp.

Bạn có thể xây dựng cùng cơ chế kiểm soát đó trong một Sonic cascade. Đặt một bước kiểm tra chính sách giữa mô hình ngôn ngữ và bộ tổng hợp, và bạn đã có checkpoint. Điều bạn không có là một mô hình suy luận trực tiếp trên âm thanh trong cùng một lượt xử lý, và đó là nửa sau trong tuyên bố của Prism: ngữ điệu, sự ngập ngừng và tiếng ồn nền góp phần định hình câu trả lời thay vì bị làm phẳng thành một bản chép lời trước tiên. Việc điều đó có đáng giá tám xu so với bốn xu hay không là câu hỏi về các cuộc gọi của bạn, chứ không phải về các mô hình.

Cả hai đều phát trực tuyến, không cái nào có trong danh mục của chúng tôi.

Prism được Rime bán trực tiếp. Sonic 3.6 được Cartesia bán trực tiếp và thông qua một số nền tảng bên thứ ba. Hiện nay, cả hai đều không được OrcaRouter định tuyến, và không có nội dung nào trong bài viết này nên được hiểu là đang khẳng định điều ngược lại.

Lớp định tuyến của chúng tôi chính là lớp mà cả hai đều phụ thuộc vào. Trong một Sonic cascade, mô hình ngôn ngữ ở giữa là một lựa chọn, và chính lựa chọn đó là nơi chất lượng và chi phí của cuộc gọi thực sự nằm.Một khóa trên OrcaRouter bao phủ hơn 200 mô hình với mức phụ phí 0% so với giá niêm yết của nhà cung cấp, cùng với khả năng chuyển đổi dự phòng tự động giữa các nhà cung cấp, nên một mô hình hội thoại bị khựng lại sẽ không biến thành khoảng lặng chết — yêu cầu sẽ được định tuyến lại thay vì thế. DSL định tuyến cho phép bạn gửi các lượt xác nhận tới một mô hình nhỏ và rẻ, còn các lượt tra cứu tới một mô hình lớn hơn, trong cùng một endpoint, đây chính là kỷ luật chi phí mà một cascade cần và là lý do vì sao một cascade vẫn cạnh tranh được về giá.

Và nếu bạn muốn một chặng tổng hợp được lưu trữ mà không cần thêm mối quan hệ với nhà cung cấp thứ hai, openai/tts-1-hd và google/gemini-3.1-flash-tts-preview đều có trong danh mục với giá niêm yết. Chúng không phải Sonic 3.6. Chúng là hai đầu còn lại của cùng một quy trình, trên cùng một khóa.

Phán quyết, chia theo kiến trúc

Nếu bạn đang xây dựng cho hơn một vài ngôn ngữ, Cartesia Sonic 3.6 là bộ tổng hợp đúng đắn và cuộc so sánh đã kết thúc. Bốn mươi bốn ngôn ngữ là một sự thật; một danh sách chưa công bố không phải là một lời hứa.

Nếu bạn đang xây dựng một trung tâm liên hệ chỉ phục vụ một thị trường duy nhất, nơi tác nhân không được phép nói một số điều, thì Rime Prism là sản phẩm duy nhất trong hai sản phẩm có một vị trí can thiệp giữa quyết định và lời thoại, và với giá tám xu một phút, chi phí gần như tương đương với chuỗi mà bạn sẽ phải lắp ghép nếu không dùng nó — với một hóa đơn thay vì ba.

Nếu bạn nằm ở khoảng giữa, yếu tố phân định là độ trễ khi chịu tải chứ không phải độ trễ trên một biểu đồ benchmark. Mức hop dưới 90 ms của Cartesia được đo khi đã loại trừ mạng, và một triển khai ở xa khu vực đó sẽ thấy con số lớn hơn đáng kể. Mức 570 ms của Prism được đo trên một harness hoàn toàn không có mạng. Hãy chạy cả hai trên đường gọi thực tế của bạn, từ khu vực thực tế của bạn, trước khi chọn. Những con số đã công bố không thể giải quyết được điều này, và bất kỳ ai nói rằng chúng có thể thì đang so sánh hai chiếc đồng hồ bấm giây khác nhau.

Một lưu ý về các con số trên đấu trường, vì chúng sẽ được trích dẫn: Elo của Artificial Analysis cho Sonic 3.6 đo một giọng nói nghe ra sao đối với những người đánh giá. Chỉ số 56,6 của Prism trên τ-Voice đo tần suất một tác nhân hoàn thành nhiệm vụ trong 278 cuộc gọi dịch vụ mô phỏng. Chúng không phải cùng một công cụ, không dùng chung một thang đo, và lấy số này trừ số kia sẽ tạo ra một con số chẳng có ý nghĩa gì. Sonic 3.6 không có điểm τ-Voice vì nó không phải là một tác nhân. Prism không có Elo đấu trường vì nó không phải là một giọng nói. Sự bất đối xứng đó chính là toàn bộ phép so sánh được thu nhỏ lại.