GPT-Live-1 vs Cartesia Sonic 3.6：排名第一的 TTS 榜单并不衡量打断能力

Cartesia Sonic 3.6 目前在 Artificial Analysis 的两个文本转语音竞技场中都处于领先——在 Provider Voice 榜单上获得 1,275 Elo，在 Controlled Voice 榜单上也排名第一，领先于所有拥有更大平台支撑的商业引擎。GPT-Live-1 在两个榜单上均未上榜，因为它不是文本转语音模型。它在 Artificial Analysis 的另一个榜单 Speech to Speech Index 上，以 70.3% 在十四个中并列第六。综合来看，这两个事实描述了这些产品之间的实际分野：Sonic 3.6 很可能是更好的语音，而 GPT-Live-1 是两者中唯一能听到呼叫者开始说话和停止说话的。

两者都已上线，且都已可商用——自其稳定快照于 2026 年 8 月 27 日发布以来，Sonic 3.6 已在 Cartesia 自家 API 上提供；自 2026 年 9 月 10 日起，GPT-Live-1 已在 OpenAI 的开发者 API 上提供，价格为每语音分钟 0.05 美元。在两者之间做选择，并不是一个关乎质量的决策，而是一个关于你正在购买语音智能体哪一半的决策。

两个竞技场，两个问题，以及为什么这种分裂真实存在

Artificial Analysis 运营其语音榜单的方式，值得在有人向你引用任一 Elo 之前先了解一下。Provider Voice 竞技场使用各厂商自己的原生语音来对引擎进行排名——它衡量的是你开箱即用实际得到的语音，而这正是买家关心的数字。Controlled Voice 竞技场则将每个模型都克隆到相同的八个参考语音上，让听众比较的是合成引擎，而不是语音人才。Sonic 3.6 在两个榜单上都领先，这比听起来更罕见：在 2026 年的大部分时间里，这两个榜单的冠军一直不同。

这两个榜单都不包含哪怕一个模型被中断的样本。它们衡量的是语音在孤立状态下、对听者来说听起来如何。Speech to Speech Index 的构建方式不同——它把语音推理、智能体表现、竞技场偏好和任务成功率综合成一个数字，而且只接纳原生语音到语音的模型。Cartesia 在其中没有条目。不是因为 Sonic 3.6 不好，而是因为一个文本转语音引擎没有什么可提交的。

所以，1,275 和 70.3% 并不是相互竞争的数字，任何把它们放在同一行上进行比较的做法，都在悄悄对你说谎。它们共同确立的是：质量已不再是这个决策所围绕的轴心。

逐个维度

• 类型 — GPT-Live-1：全双工语音到语音，整个闭环由一个模型完成；对比 Cartesia Sonic 3.6：流式文本转语音，搭配用于智能体的 Ink-2 语音识别

• 独立质量 — GPT-Live-1：在 Speech to Speech Index 上达到 70.3%，在十四个中并列第六；对比 Cartesia Sonic 3.6：在 Provider Voice 榜单上获得 1,275 Elo（来自 1,755 个样本），并且在 Controlled Voice 榜单上也排名第一

• 中断处理 — GPT-Live-1：模型的一种特性，每秒多次决定是否让出轮次，而 Cartesia Sonic 3.6：一种集成模式，客户端取消合成上下文，并依赖词级时间戳在恰当时刻截断

• 价格 — GPT-Live-1：每语音分钟 $0.05，按秒计费，推理后端单独计量；对比 Cartesia Sonic 3.6：在积分套餐下约每百万字符 $49，另加每分钟 $0.06 的智能体通话时长费用，以及 Cartesia 电话号码每分钟 $0.014 的费用

• 延迟 — GPT-Live-1：未公布模型层面的数字；回合转换延迟在 OpenAI 自家测试中为 0.798 秒，而 Cartesia Sonic 3.6 则为：首音频时间低于 90 毫秒，系厂商声明，未经端到端独立测量

• 吞吐量 — GPT-Live-1：并发会话在第 1 层级上限为 25，在第 5 层级上限为 500，且没有免费层级；而 Cartesia Sonic 3.6：约每秒 132 个字符，在同一对比中大致是 ElevenLabs v3 速率的两倍，并提供每月 20,000 积分的免费层级

• 语言 — GPT-Live-1：在发布覆盖范围中，主要语言之外的流畅度参差不齐，而 Cartesia Sonic 3.6 则覆盖 61 个地区的 44 种语言，本次发布新增了奥里亚语和乌尔都语

• 语音控制 — GPT-Live-1：十二种预设，通过提示词控制语调和语速，不支持克隆；对比 Cartesia Sonic 3.6：超过 500 种预设语音、即时克隆、更高层级套餐支持专业克隆、词级和音素级时间戳，且不支持 SSML——模型会根据文本本身调整语速

打断是架构的特性，而不是一个复选框

买家在这项对比中最常搞错的一点，就是把打断支持当成一个布尔值。Cartesia 的文档坦诚说明了其方案的工作方式：当来电者在智能体说话时插话，客户端会针对当前合成上下文发送取消请求，而正是 WebSocket 连接上返回的词级时间戳，让你能在正确的音节处停止播放。这是一种合格的设计，也是当今大多数生产级语音智能体处理打断的方式。

这仍然是一种设计：停止说话的决定由你的应用借助语音活动信号做出，延迟取决于往返传输所允许的程度。GPT-Live-1 将这一决定移入模型内部。它持续判断是继续聆听、暂停、接过话轮，还是将话轮交给对方，正因如此，Open​AI 自己公布的数据显示，在 Full Duplex Bench v1.5 上，其交互度为 80.1%，而 GPT-Realtime-2.1 为 45.4%；话轮转换延迟为 0.798 秒，而后者为 1.41 秒。这些数字来自 Open​AI，随发布一同公布，公司外部无人复现——但其背后的架构差异并无争议，而这正是级联系统无法通过调优来逼近的一点。

级联方案真正的优势在于句子之后的所有环节。Cartesia 宣称的低于90毫秒首音频延迟只是供应商提供的数据，它衡量的是模型本身，而非整段对话：用户实际体验到的数字还包括语音识别、轮次检测、语言模型的生成时间、网络传输和音频缓冲。正因如此，当你需要掌控每一个环节时，级联方案就值得搭建——简单轮次用快速的小模型，困难轮次用前沿模型，再配上一个从不让等待的语音合成器。

那个中间阶段是两种技术栈中唯一真正可移植的部分，也正是它同时决定着通话的质量与成本。大致来自十一家上游提供商的 190 个模型只需一个 OrcaRouter 密钥，即可按提供商标价、零加价调用，而路由 DSL 让单个端点就能把简单的轮次交给廉价模型，把复杂的轮次升级到前沿模型——这正是语音智能体真正想要的模式，被用在了变化最大的那个阶段上。无论是 Sonic 3.6 还是 GPT-Live-1，都无法通过路由层访问；语音层属于各自的厂商。

管理资金

这两种定价模式对不上，所以值得认真做好换算。语音语速约为每分钟 150 个单词，而英语平均每个单词约 5.5 个字符，因此一分钟的语音输出约为 800 到 900 个字符。按照每百万字符 49 美元计算，Cartesia 的语音合成成本约为每分钟音频 4 美分。

接着，级联的其余部分就来了。Cartesia 按语音代理通话时长每分钟收取 0.06 美元，如果使用其电话号码，则每分钟再收 0.014 美元，此外还要按字符计费。再加上语音识别和用于处理文本的语言模型，在任何人说出任何难处理的话之前，你每分钟就已经超过十美分了。GPT-Live-1 每分钟语音 0.05 美元的费用涵盖了听、话轮转换和说，而委派出去的推理则按后端模型的正常费率单独计费——对于附有一两次搜索的预订通话来说，这是一笔实实在在的金额，而不是可以忽略不计的舍入误差。

分界点取决于通话量和难度。简短、重复、高频的通话——确认、通知、简单查询——更适合级联方案，因为让廉价模型回答脚本化问题，是这一比较中最便宜的做法。当来电者脱稿、打断座席，或在句子说到一半改变主意时，这类通话更适合端到端模型，因为级联方案在这类情况下的失败模式不是给出错误答案，而是给出一个尴尬的答案。

该选哪一个

如果你想要目前可用的得分最高的语音，并且愿意自行掌控对话逻辑，就选择 Cartesia Sonic 3.6。它非常适合旁白、面向大批量脚本化智能体的场景、已有语音识别流水线的团队，以及任何需要词级时间戳来实现精准打断处理的人。你可以获得免费层级、500 多种语音、克隆、44 种语言以及两个质量榜单的榜首，并且还能掌控每一个环节。

如果打断本身就是产品，就选 GPT-Live-1。凡是被人抢话是常态而非边缘情况，并且在没人把话问完的句子上，0.8 秒的轮次交接胜过 90 毫秒的启动，都适用。你接受一个闭源、托管、按分钟计费的模型，带有十二种语音且不支持克隆，并且接受它的独立质量评分处于中游。

人们忍不住想拿 1,275 与 70.3% 一比，就宣称此事已成定论。但事实并非如此，而这两个数字之间的差别，正是整场争论的所在：一个衡量的是声音听起来如何，另一个衡量的是它是否值得与之交谈。