AssemblyAI-TTS-1 vs Cartesia Sonic 3.6：挑战者测得在位产品为 143 毫秒

AssemblyAI 发布文章中最有用的一句话，并不是关于它自己的模型。它是对比表中的一行，显示Cartesia Sonic 3.6返回首字节耗时 143 毫秒，而AssemblyAI-TTS-1只需 47 毫秒——这项测试由 AssemblyAI 运行、在自家硬件上进行，并针对一个两年来一直将自己宣传为市场上最快 TTS 的竞争对手公开发布。Sonic 3.6 自家厂商给出的数字是首音频时间低于 90 毫秒，但这并非同一种测量方式，也不在同一网络上，自那以后这两个数字就一直被拿来相互比较。这一冲突正是本次对比最诚实的核心：一个模型是以每百万字符 49 美元的价格在质量和语言覆盖上领先的一方，另一个则是以 15 美元的价格和吞吐量发起挑战的一方，而两者都没有一个经中立第三方确认的延迟数字。

以下内容均有时效性。Artificial Analysis 的数据读取于 2026 年 10 月 30 日，而榜单在数周内就会漂移数十个 Elo；Sonic 3.6 自 8 月以来已从第一降至第四。厂商声明均标注为厂商声明。现有两个独立的延迟数据点——AssemblyAI 的实验室运行和 Cekura 的流式测量——它们衡量的是不同事物，并如实呈现，而不是被平均成一个虚构的单一事实。

截至今日，他们实际所处的位置

Cartesia Sonic 3.6 于 2026 年 8 月中旬发布，几天内便在 Artificial Analysis 的两个语音竞技场双双登顶——Provider Voice 得分 1,282，Controlled Voice 得分 1,123，均为当时读数。两个半月后又涌入新条目，如今它则以 1,296 分位列 Provider Voice 第四，以 1,147 分位列 Controlled Voice 第六。它的分数上升了 14 分，排名却下降了三位。这就是快速变化的榜单会带来的结果，也正是任何发布报道中的排名栏很快过时的原因。

• 提供商语音 — Cartesia Sonic 3.6 1,296，第4 对比 AssemblyAI-TTS-1 1,227，第14

• 可控语音（八个共享克隆语音）—— Cartesia Sonic 3.6 1,147，第 6，对比 AssemblyAI-TTS-1 1,108，第 10

• 每百万字符价格 — $49 对比 $15

• 语言 — 44 种对 6 种（英语、西班牙语、法语、德语、意大利语、葡萄牙语）

• 吞吐量（Artificial Analysis）——每秒 148.6 个字符，对比 162

• 发音稳健性（Artificial Analysis）——AssemblyAI 为 81.7%，在第三方高难度字符串测试中排名第 16，而 Sonic 的排名更低

• 克隆语音计费——对于克隆语音，Cartesia 收取 1.5 倍费用，而 AssemblyAI 采用包含克隆的统一费率

两个差距的大小并不相同。Provider Voice 上 69 Elo 是真实且可见的质量差异——大致相当于榜单中段相邻模型之间的距离，足以让盲听者产生偏好。Controlled Voice 上的 37 Elo 较小，落在单轮评估就能让模型移动好几个名次的范围内。通俗地说：Sonic 3.6 用自己的声音听起来更好，而在克隆声音下，两者接近到由部署细节决定胜负。3.3 倍的价格差距无论如何都算不上接近。

延迟论点，三种讲法

目前存在三种测量结果，但它们都无法解决这个问题，因此值得精确地说明每一种测量所显示的内容。

第一个是 AssemblyAI 自己的实验室测试。三十个提示词，三轮，每个模型四种预置音色，一次一个请求，单一客户端。首字节时间中位数：AssemblyAI 47 ms，ElevenLabs Flash v2.5 119 ms，Cartesia Sonic 3.6 143 ms，ElevenLabs v4 612 ms。这是一个干净、描述充分的测试，但有一个明显的局限——顺序请求衡量的是模型，而不是服务。它无法展示排队、并发争用或跨区域网络成本。它还存在激励问题：发布这张表的供应商，正是赢得这张表的供应商。

第二点是 Cartesia 自己的说法：首个音频的延迟低于 90 毫秒，该公司称这一数字仅指模型本身，不含网络传输。注意单位的变化。AssemblyAI 的 47 毫秒指的是首个字节，而 Sonic 的 90 毫秒指的是首个音频；在流式处理流程中，这是两个不同的时刻，而首个字节完全可能远早于第一个合成帧到达。直接对二者进行比较，是本次发布相关报道中最常见的错误。

第三点是 Cekura 的独立流式测量，该测量显示 AssemblyAI-TTS-1 在智能体风格句子上的中位数为 159 毫秒——在十九个系统中排名第八，而非第一。这是供应商生产环境数据的两倍，并且大致符合真实网络路径对干净实验室数值所造成的影响。同一次运行中没有 Sonic 3.6 的等效独立数据，这意味着诚实的说法不是“AssemblyAI 更快”，而是“AssemblyAI 在它自己设计的测试中更快，而且两个模型都没有在同一天由中立实验室进行对比测试。”

吞吐量是更清晰的比较维度，因为 Artificial Analysis 对两者都采用相同的测量方式。AssemblyAI 以每秒 162 个字符对 148.6 个字符，生成音频的速度大约快 9%——这一优势远小于首字节数字所暗示的差距，而且对于实时智能体而言并不重要，因为两个模型的速度都已经比实时快了好几倍。在生产环境中真正重要的是并发场景下的尾部延迟和可靠性，而两家厂商都没有公布 p99 数据。

价差包含哪些内容

Cartesia 的 49 美元并不像 AssemblyAI 的 15 美元那样是一口价全包费率。Sonic 3.6 对克隆音色按标准费率的 1.5 倍计费，这会使运行自定义音色的智能体成本升至约每百万字符 73.50 美元——约为 AssemblyAI 费率的 4.9 倍。AssemblyAI 对音色库音色和克隆音色一律收费 15 美元，包含词级时间戳、美国或欧盟区域处理以及无限并发，无需购买套餐档位，也没有年度合约。Cartesia 通过免费、每月 5 美元、49 美元和 299 美元档位的套餐出售额度，且其免费层级禁止商业用途。

按脚本长度而不是按价目表算下来：一百万个字符大约相当于正常语速下 18 小时的成品语音，因此 AssemblyAI 每成品小时约为 81 美分，而 Sonic 3.6 按标价约为 2.70 美元，一旦克隆声音按 1.5 倍费率计费，则约为 4.05 美元。对于每月十万小时规模的运营来说，这就是 8.1 万美元和 27 万美元一项开支之间的差别。单就音质而言，没有任何因素本身能证明 3.3 倍溢价是合理的；支持 Cartesia 的理由必须建立在覆盖范围、控制能力和可靠性上，而不是 Elo 上。

语言和控件，这正是 Cartesia 仍能轻松胜出的领域

{{1}}四十四种本地化语言对六种{{/1}}是本次比较中{{2}}最大的单一功能差距{{/2}}，而且这是{{3}}降价无法弥合的差距{{/3}}。{{4}}AssemblyAI 提供英语、西班牙语、法语、德语、意大利语和葡萄牙语，并支持多种口音，还承诺会提供更多语言，但未给出时间表{{/4}}。如果你的智能体服务这六种语言之外的欧洲市场——{{5}}波兰语、荷兰语、瑞典语、希腊语{{/5}}——{{6}}Sonic 3.6 是两者中唯一的选择，价格差异也就不再重要{{/6}}。

在控制能力上的差距也指向同一个方向。AssemblyAI-TTS-1 在发布时没有 SSML、没有语速参数、没有发音词典，也没有情绪标签；供应商自己的发布页面将情绪描述为该模型的原生能力，而其 FAQ 则确认专用控制项不可用。Cartesia 的产品围绕可引导语音构建——语速、情绪和发音处理都是其产品的一部分。对于脚本化旁白、配音或任何需要指导节奏的工作负载，AssemblyAI 目前要求你改写文本才能获得想要的表达效果，而这项工作是没法向任何人计费的。

AssemblyAI 在能力上唯一领先的地方，恰恰是 Cartesia 最薄弱的环节：高难度字符串。Artificial Analysis 将 AssemblyAI 的发音鲁棒性评为 81.7%，在该榜单上排名第十六；而 AssemblyAI 自己的评测显示，其在电话号码、URL 和代码上的实体准确率为 93.7%，而 Sonic 3.6 为 82.5%——这是一项由厂商自己开展的厂商对比，11 个百分点的差距太大，不能归因于方法论噪声。一项独立测试（Gradium 的测试）将 Sonic 的困难案例得分定为 75.1%。对于 IVR、回读和确认码而言，这个数字决定部署。

谁应该拿哪一个

当工作负载是高容量、英语加五种语言，并且大量涉及结构化回读——订单号、地址、代码、剂量——且实体准确率优势和 15 美元统一费率会叠加发挥作用时，选择 AssemblyAI-TTS-1。当你需要超过六种语言，当语音表达需要被指导而非重写，当你正在克隆声音并能承受 1.5 倍计费，或者当 Provider Voice 上的自然度差距正是用户能听出来的问题时，选择 Cartesia Sonic 3.6。37 分的受控竞技场差异足够小，无论哪个模型，构建良好的智能体听起来都不错；69 分的提供商差异才是听者会注意到的。

还有第三种两个供应商都不宣传的方案，也正是大多数团队最终采用的方案：同时运行两者，让流量来决定。把两条 TTS 链路置于同一条路由规则之后，你就能把回读密集的语句发给能正确读出代码的模型，把旁白发给听起来更好的模型，而无需维护两条集成路径。这正是路由层为自己创造的价值——一个 API 背后有 200 多个模型，0% 加价、按标价透传，因此任何一侧降价都能当天生效，并且提供路由 DSL，可按工作负载而非靠猜测来分流流量。今天 OrcaRouter 目录中既没有 AssemblyAI-TTS-1，也没有 Cartesia Sonic 3.6，所以这只是用于比较的一种形态，而不是关于托管它们的声明；我们实际路由的 TTS 模型——OpenAI 的 tts-1、tts-1-hd 和 gpt-4o-mini-tts，以及 Google 的 Gemini 3.1 Flash TTS Preview——覆盖第二条链路，同时两个领先模型会在你自己的流量上进行评估。

究竟什么才能真正了结此事

一个中立的实验室如果在相同的硬件、相同的网络路径和相同的负载曲线下同时运行这两个模型，一个下午就能终结这场延迟之争，而至今没有人这样做过。在此之前，站得住脚的立场是：AssemblyAI 在自己的测试中更快，在现实中可能也更快；Cartesia 是音质更好的模型，覆盖范围也广得多；而价格差距足够大，以至于对为此付费的买家来说，Sonic 3.6 的质量优势必须值到每字符 3.3 倍——或者说，在克隆声音上，4.9 倍——才说得过去。

另外两项进展比任何基准测试都更能左右答案。如果 AssemblyAI 推出 SSML 和发音词典，六语言限制便成为唯一剩下的功能性异议，价格方面的理由也就变得极难反驳。如果 Cartesia 将价格下调至市场新的底线，或延长其克隆语音的计费方式，覆盖范围的优势就变得可负担。关注这两项动向，而不是下一次 Elo 读数——在一个模型十周内能上涨 14 分、却下滑三个名次的榜单上，排名是噪音，价格才是信号。