Rime Prism 与 Cartesia Sonic 3.6：不要再拿 90 毫秒和 570 毫秒作比较

Cartesia Sonic 3.6 在 90 毫秒以内就能给出回应，Rime Prism 则大约需要 570 毫秒。如果这句话就是你对比的全部内容，那你已经得出的结论偏差达两倍之多，而且方向还反了——因为这两个数字并不是从同一时刻开始计时的。Sonic 3.6 的 90 毫秒，是从文本抵达合成器到产出第一个音频采样的时间。Rime Prism 的 570 毫秒，是从主叫用户说完一句话到智能体发出声音的时间。在这两个事件之间，还隔着一次语音识别和完整的一轮语言模型推理，而这两件事 Sonic 3.6 都不做。把它们放到同一个时钟上，差距就会缩小到主叫用户几乎分辨不出的程度，而这时决策就变成关乎价格、语言覆盖范围，以及说出的内容是否需要有人审核批准。

这两款模型都是当前版本，并且都已正式发布。Cartesia Sonic 3.6于 2026 年 8 月 27 日正式可用（GA），是一款流式文本转语音模型，发布时在 Artificial Analysis 的两个语音竞技场中都位居榜首——而随着更新的语音加入榜单，它此后已被超越。Rime Prism于 2026 年 10 月 28 日推出，是一款语音到语音模型，按每分钟通话音频 0.080 美元计费；它会先将回复以文本形式输出，然后再朗读出来。一个是组件，一个是系统，而有趣的比较在于：当你围绕它搭建一个可用的语音智能体时，各自需要多少成本。

确切地说，Sonic 3.6 究竟是什么

这是一个文本转语音模型，而且从现有证据来看，它表现不错。流式传输比营销更重要：WebSocket、Server-Sent Events 和原始字节都受支持，这正是让 TTS 模型能在实时通话中使用、而不只是用于批处理作业的原因。

• 覆盖范围 — 涵盖 61 个区域设置的 44 种语言，包括印地语和印地英语。

• 声音 — 可从参考音频片段进行 10 秒即时克隆；此版本未公布内置声音的数量。

• 控制 — 超过 60 种情绪和语气标签，仅限英语；速度从 0.6x 到 1.5x。

• 音频 — 支持 8 kHz 至 48 kHz 输出，格式为 WAV、MP3 或 PCM，并具有 3,000 个 token 的上下文窗口。

• 延迟 — 在流式传输下、约每秒 132 个字符的速率时，厂商标称的首个音频输出时间低于 90 毫秒。

• Arena — 发布时，Artificial Analysis Provider Voice Elo 约为 1,282，Controlled Voice 约为 1,123，当时在两张榜单上均位居榜首，此后排名有所变化。

• 开放程度——不提供权重。Sonic 3.6 是一个托管模型，和 Prism 一样。

Cartesia 还于 2026 年 10 月 20 日停用了几个较旧的模型——sonic-turbo、sonic-2 以及 sonic-3-2025-10-27 快照——而 Sonic 3.5 仍与 3.6 一同被列为稳定版本。如果你正在迁移，请检查你的集成实际指向的是哪一代模型，因为回退到已停用的模型会悄无声息地失败。

把 90 ms 与 570 ms 的算术做对

这是每个排行榜页面都会略过的部分。Sonic 3.6 级联有三个时钟串联运行：

• 对来电者话语的语音识别——对于流式识别器而言，通常需要几百毫秒才能最终确定一句话。

• 语言模型这一轮——可变项，短则 200 毫秒（用于简短确认），若智能体在回复前先进行推理，则可能长达一秒以上。

• Sonic 3.6 的合成跳——在排除网络、按厂商测试速率下低于 90 毫秒；对实时 Cartesia 调用路径的独立端到端测量，在计入另外两跳后，数值会高出数倍。

把中间三个加起来，一条调优良好的级联会在从主叫语音结束到座席首个音频之间落在 800 毫秒到 1.5 秒的某个位置。Prism 的 0.57 秒覆盖了所有这些。因此，在完整路径上，Prism 并不比 Sonic 3.6 慢——它比 Sonic 3.6 所运行于其中的流水线更快，在表现较好的那一端大约快一倍。

只有在一种架构下，情况才会反转：如果你的语言模型回合非常短，而你的识别器又非常快，那么 Sonic 级联也能在约半秒内达到首次音频输出，这时 90 毫秒的帧移才真正成为原因。也就是说，90 毫秒是一项实实在在的工程成就，而且确实在发挥作用——只是并非对比表所暗示的那种作用。

诚实的表述，是 Cartesia 自己的数据所支持的那一种。低于 90 毫秒是市场上最快的合成环节，而且测量时不计网络。Prism 的 570 毫秒是厂商数据，由 Rime 自己在 τ-Voice 测试框架上测得，而不是由中立实验室测得。两家公司都没有发布直接对比，也没有人在同一条调用路径上同时运行两者。任何把两者呈现为同等条件下的延迟竞赛的说法，都是在编造结果。

每分钟的价格，真正的差距就在这里。

Cartesia 按字符计费：大约每个字符一积分，Artificial Analysis 将其折算为每百万字符约 49 美元。Rime 自己的文档按每分钟语音约 1,000 字符来把字符换算成分钟，据此 Sonic 3.6 的生成音频成本约为每分钟 0.049 美元。语速更快时——即 Cartesia 基准测试所用的每秒 132 字符——这一成本会降到约 0.034 美元。可以说，每分钟三到五美分，取决于你的智能体说话有多快。

Prism 在 Flex 上为每分钟通话音频 $0.080，在 Scale 上为 $0.064。但 Prism 的分钟并不是同样的分钟。它按通话音频计费，而不是按坐席语音计费，因此，如果主叫方在一通电话中有一半时间在说话，这通电话对 Prism 的成本与坐席从不停口的那通电话相同。仅这一区别就能使有效对比向任一方向偏移三分之一，而在你为试用定价时，这是首先要建模的因素。

现在把这条级联链路组装起来。Sonic 3.6 每分钟四美分，识别每分钟半美分到一美分，再加上一个在对话式 token 用量下每分钟成本几美分的语言模型——在任何基础设施成本之前，你大约已经到每智能体发声分钟八到十美分。放在这个框架里，Prism 的八美分并不是什么高端产品。它是以同样的价格，换来一份账单、一份合同和一份延迟预算，而不是三份。

Cartesia 的套餐结构印证了这一点。免费版提供 20,000 点额度和 2 个并发；Pro 版每月 5 美元，包含 100,000 点额度和 3 个并发；Startup 版每月 49 美元，包含 125 万点额度和 5 个并发；Scale 版每月 299 美元，包含 800 万点额度和 15 个并发；Enterprise 版则支持定制，提供 DPA、BAA 和区域化部署。并发数按套餐层级设有上限，而对呼叫中心来说，这个数字才是真正起决定作用的——Scale 版 15 路并发流，对于一个繁忙的中型队列来说都算不上宽裕，更不用说大型队列了。

语言覆盖范围与控制权：决定成败的权衡

Cartesia 以显著且可量化的优势在覆盖范围上胜出。44 种语言、61 个区域设置，这是一份公开发布、可验证的清单。Rime 完全没有公布 Prism 的语言数量，尽管其各自独立的文本转语音产品公布了自家的数量——但 Prism 专属的数字在产品页面上并不存在。如果你需要在下一季度于十五个市场上线，仅凭这一缺失本身就足以将其排除，而无论本文中其他内容如何，Sonic 3.6 都是答案。

Prism 赢得了控制权，而且这一优势是结构性的，而非渐进式的。Sonic 3.6 接收的是最终文本。它能用 60 多种情感标签来演绎这段文本，还能以 1.5 倍速将其说出，但它无法拒绝这段文本。Prism 自己生成文本，这一步发生在语音合成之前，而 Rime 表示，在那一刻，应用可以在通话继续进行的同时重写、拦截、打标签或纠正发音。受监管的披露声明、不得作出的表述、绝不能说出的竞争品牌名称——这些都存在于检查点，而不在你交给合成器的文本里。

你可以在 Sonic 级联中实现同样的控制。在语言模型和合成器之间加入策略检查，你就有了检查点。你无法拥有的是在同一处理过程中对音频进行推理的模型，而这正是 Prism 主张的另一半：语气、犹豫和背景噪声会影响回复，而不是先被压平成一份文字稿。这到底值不值 8 美分而不是 4 美分，取决于你的通话，而不是模型。

这两者都支持流媒体播放，但都不在我们的目录中。

Prism 由 Rime 直接销售。Sonic 3.6 由 Cartesia 直接销售，并通过若干第三方平台销售。目前两者均不由 OrcaRouter 路由，本文中的任何内容都不应被解读为声称事实相反。

我们做的路由，是二者共同依赖的那一层。在 Sonic 级联中，位于中间的语言模型是一个选择，而这个选择恰恰决定了调用质量与成本的实际所在。OrcaRouter 的一个密钥即可覆盖 200 多个模型，在提供商标价基础上 0% 加价，并支持提供商之间的自动故障转移，因此某个对话模型卡住时不会变成无声等待——请求会被重新路由。路由 DSL 让你在同一个端点内，把确认轮次发送给小型廉价模型，把查询轮次发送给更大的模型；这正是级联所需的成本纪律，也是级联在价格上仍具竞争力的原因。

如果你想要一个托管合成环节，又不想再建立第二家供应商关系，openai/tts-1-hd 和 google/gemini-3.1-flash-tts-preview 都以标价列在目录中。它们不是 Sonic 3.6。它们是同一条流水线的另外两端，使用同一个密钥。

结论，按架构拆分

如果你要构建支持不止寥寥数种语言的产品，Cartesia Sonic 3.6 就是正确的语音合成器，比较到此为止。四十四种语言是事实；一份未公布的清单不是承诺。

如果你正在构建一个单一市场的联络中心，其中坐席绝不能说出某些内容，那么 Rime Prism 是两者中唯一能在决策与说出口之间找到一个立足点的方案；按每分钟八美分计算，它的费用大致与你原本需要拼装的级联方案相当——而且只有一张账单，而不是三张。

如果你介于两者之间，决定胜负的就是负载下的延迟，而不是基准图表上的延迟。Cartesia 不到 90 毫秒的跳转是在排除网络的情况下测得的，而部署在远离该区域的地方，实际延迟会高得多。Prism 的 570 毫秒是在一个完全没有网络的测试装置上测得的。在做出选择之前，请在你实际的调用路径上、从你实际的区域分别运行两者。已公布的数字无法解决这个问题，任何声称能解决的人都是在拿两块不同的秒表作比较。

关于 arena 数字有一点需要提醒，因为它们会被引用：Sonic 3.6 的 Artificial Analysis Elo 衡量的是人类评分者听到某个声音时的主观感受。Prism 在 τ-Voice 上的 56.6 衡量的是智能体在 278 个模拟服务通话中完成任务的比例。它们不是同一种测量工具，不共享同一量表，用一个减去另一个得到的数字毫无意义。Sonic 3.6 没有 τ-Voice 分数，因为它不是智能体。Prism 没有 arena Elo，因为它不是声音。这种不对称正是整个比较的缩影。