Inworld Realtime TTS-2 对比 Cartesia Sonic 3.6：倾听之声对决竞技场之王

关于合成语音为何会让人感觉像真人，目前有两种相互竞争的理论，而眼下这两种理论各自最出色的商业产品分别是Inworld Realtime TTS-2与Cartesia Sonic 3.6。Cartesia 的理论是，人性存在于音频之中：只要把音色、韵律和节奏都做得与真人无法区分，听众就会把你排在第一位——这正是 Sonic 3.6 在 8 月做到的，它以 Elo 1,282 分跃升至 Artificial Analysis 的 Provider Voice 竞技场榜首。Inworld 的理论则是，人性存在于聆听之中：TTS-2 会根据此前对话的真实音频来调整自己的表达，因此它不仅听起来像人，回应起来也像人。本周，这两种理论在排行榜上正面相撞：正是同一轮重新评分，让 Inworld Realtime TTS-2 以 Elo 1,252 分位列 Provider 榜第二，也让它以 1,123 分对 Sonic 3.6 的 1,119 分，登上了 Controlled Voice 竞技场的榜首——而这一榜单此前正由 Cartesia 领跑。一个模型守住了 Provider 榜的桂冠，另一个则刚刚夺下受控语音竞技场的头名。

这并非一场某一方明显占理的较量。两款模型是为重叠但并非完全相同的任务而打造的，价格差异——Sonic 3.6 每百万字符收费 49.0 美元，而 Inworld Realtime TTS-2 按需使用收费 25 美元——确实不容忽视，因此决策既要考虑预算，也要考虑质量。

两种关于听起来像人声的理论

Cartesia 在 2026 年 8 月悄然发布了 Sonic 3.6，这是一个点版本，在 Sonic 3.5 的基础上有所改进，但价格和架构叙事均未改变。改进出现在 Cartesia 需要的地方：该模型在 Artificial Analysis 的 Provider Voice 竞技场中跃升至 Elo 1,282——该竞技场中每个模型都使用自己的原生语音——并在整个 8 月保持 Controlled Voice 竞技场的榜首。在受控榜单上，每个模型都被克隆到相同的八位参考发音人身上，因此这一桂冠是对合成引擎本身的评判，与语音人才无关。本周 Inworld 正式发布并重新评分后，Cartesia 仍然领跑 Provider 榜单，但 Sonic 3.6 现在以 Elo 1,119 位居受控榜单第二，落后于以 1,123 分排在首位的 Inworld Realtime TTS-2 仅 4 分。

Inworld Realtime TTS-2 走的是一条不同的路线。其前代产品线 TTS 1.5 在 2026 年初曾位居同类竞技榜单前列；TTS-2 的研究预览版于 6 月在供应商排行榜上测得 Elo 1209 分。自那以后，正式发布版（GA）模型的排名不断攀升：在目前的榜单上，它在 Provider Voice 榜以 1252 分位列第 2（仅次于 Sonic 3.6 的 1282 分），在 Controlled Voice 榜以 1123 分位列第 1。不过，这款旗舰模型真正的不同之处并不在于 Elo 分数，而在于它会把对话中此前几轮的发言作为音频输入，并以此决定下一句话的表达方式。Cartesia 根据文字记录来校准情感，Inworld 则倾听上一句话说出来时的语气。

记分牌，诚实标注

Elo分数来自Artificial Analysis的语音竞技场，读取自2026年9月的实时排行榜。延迟数据除非另有说明，均为供应商报告值，且两个模型均未发布独立的延迟审计。

• 独立质量——Cartesia Sonic 3.6：Elo 1,282（#1，提供商语音）和 1,119（#2，受控语音）对比 Inworld Realtime TTS-2：Elo 1,252（#2，提供商语音）和 1,123（#1，受控语音）

• 每100万字符价格 — 49.0美元（Artificial Analysis追踪）对比按需25美元；据Artificial Analysis追踪的混合价为20.8美元；批量购买（厂商）低至12.50美元。

• 首次音频时间——厂商声称低于90毫秒，而在Inworld的发布测试中（亦为厂商声称），中位数低于200毫秒、p99低于100毫秒；Inworld对标Sonic的低延迟方案是独立的TTS-2 Flash层级，首字节时间约为25毫秒。

• 语言 — 42种本地化语言，对比100+种用于交付引导的语言；而Inworld的“单一语音身份”宣称覆盖200+个区域（供应商口径）

即时语音克隆——约10秒音频（对比5–15秒）；另有专业克隆测试版，使用约10分钟音频，可生成更高保真度的克隆声音。

• 语音表现控制 — 可通过内联文本标签（如 [laughter]）、音量与语速调节实现，也可借助自然英文引导（如 “[calm, reassuring]” 或 [whisper]）及请求级指令；另提供三种稳定性模式，从 Stable 到 Expressive。

为什么“倾听对话”是一个不同的维度

上面的评分板衡量的是声音在单独呈现时的听感如何。而这两个模型真正产生差异的维度，不会出现在任何排行榜上，因为它只存在于多轮交互之中。

Inworld Realtime TTS-2 专为“有人刚对它说了什么”的场景而构建。该模型会摄取先前轮次的音频——而不仅仅是文本记录——推断语气、节奏和情绪状态，并在开口之前选择一种回应状态。如果来电者感到沮丧，表达方式就会转变；如果他们很放松，表达方式又会转回来。这就是为什么 Inworld 将该模型面向智能体、伴侣和游戏进行营销，而不是用于旁白：这一功能在一次性文本转语音调用中毫无意义，而在对话中则很有意义。

Cartesia Sonic 3.6 的工作方式不同。它是一个快速、高质量的流式引擎，Cartesia 自己的说法是能够根据转录文本自动校准情绪——它会读取文字并相应地进行调制。它不会做的是聆听前几轮对话的音频。在单个话语内，两者听起来可能相似；但在整个对话过程中，Inworld 所建模的是 Sonic 并未尝试的事情。如果你的产品是单轮配音，那么这种建模就是多余的；如果它是一个实时智能体，那么它本身就是产品。

速度、价格以及 Flash 注意事项

就纯粹的延迟而言，{{1}}Cartesia一直占据着优势：{{/1}}{{2}}90毫秒以内的首音频时间虽然是厂商自己宣称的，{{/2}}{{3}}但这是该公司自Sonic 3代以来就一直保持的数字，{{/3}}{{4}}目前也没有人发布过与之相悖的审计结果。{{/4}}{{5}}Inworld旗舰产品的响应速度也处于类似的对话级别，在200毫秒以内，{{/5}}{{6}}这对实时智能体来说完全够用。{{/6}}{{7}}Inworld真正的延迟优势在于随GA模型一同发布的Flash层级——{{/7}}{{8}}这是一个独立的模型，首字节时间约为25毫秒，{{/8}}{{9}}面向的是高并发工作负载，{{/9}}{{10}}在这类场景下，Sonic级别的成本和延迟比表现力更为重要。{{/10}}{{11}}但需要注意的是，Flash是该系列中一个精简版成员：{{/11}}{{12}}支持即时克隆和内联非语言表达，{{/12}}{{13}}但不支持专业克隆，也没有完整的自然语言控制能力。{{/13}}

价格方面则完全是另一番景象。Sonic 3.6 每百万字符收费 49.0 美元——约为 Inworld 按需费率 25 美元的两倍，也接近最高档 12.50 美元的四倍。在两者都出现的排行榜上，它们之间的质量差距不足以让高批量买家接受这一价格倍数。对于每次对话生成数千字符的实时语音代理来说，按字符计的价差决定了单位经济是健康还是微薄。

该选哪个

• 选择 Cartesia Sonic 3.6——如果你想要的是该供应商排行榜的桂冠：它是这张榜单上使用自有原生语音的声音中得分最高的，Elo 1,282，适合助手回答、游戏台词和状态播报这类简短自足的语句。每百万字符 49 美元，你是在为这顶桂冠付费；而在这张榜单上，它依然是最值得被击败的标杆。

• 选择 Inworld Realtime TTS-2：如果产品属于多轮对话场景，语音输出需要回应另一端的人——客服电话、陪伴、面试、辅导课。它目前在受控排行榜上领先（榜单中每个模型都使用相同的八种参考语音），而且它在大约一半的价格下就能做到这一点，同时还能聆听对话的音频。

• 把切换逻辑构建到路由中，用在无法事先知道一次通话需要哪种语音的场景。截至撰写本文时，这两个模型都还没有接入 OrcaRouter——Sonic 可通过 Cartesia 自己的 API 及数个第三方平台访问，Inworld 则可通过自己的 API 访问——但路由层恰恰是一种能让对话从一种语音开始、并在需要时故障切换到另一种语音的结构；各提供商的标价会以 0% 加价原样透传。当其中一个这类榜单再次翻转时——本周它们确实翻转了——所谓的选择就变成了一次配置修改，而不是推倒重写。

简短版本

这是一个真正的分叉；最诚实的回答是，分叉的焦点在于话轮切换（turn-taking），而非音频质量。如果你需要的是使用自家原生语音、在独立语音评测中得分最高的产品，Cartesia Sonic 3.6 以 Elo 1,282 分居提供方之首，并为此按每百万字符 49 美元收费。如果你需要的是能察觉别人和它说话的方式、并据此作出回应的语音，Inworld Realtime TTS-2 本周以按需价格 25 美元正式发布（GA）；它在双方使用相同语音正面交锋的受控排行榜上领先，还具备一项任何评测竞技场都无法完全衡量的对话感知特性。如今，计分榜已在这两款模型之间一分为二——对一个“最佳”取决于使用何种测试的市场来说，这是最诚实的图景。