AssemblyAI-TTS-1 對比 Cartesia Sonic 3.6：挑戰者以 143 毫秒測得現任者

AssemblyAI 發表文章中最有用的一句話，並不是關於它自己的模型。而是比較表格中的一行，顯示 Cartesia Sonic 3.6 需要 143 毫秒才能回傳第一個位元組，而 AssemblyAI-TTS-1 則以 47 毫秒回傳——這是 AssemblyAI 在自己的硬體上執行，並針對一個花了兩年把自己行銷成市場上最快 TTS 的競爭對手所公布的測試。Sonic 3.6 自家供應商數據是首個音訊時間低於 90 毫秒，但這並非相同的測量方式，也不是在相同的網路上，而這兩個數字自此便一直被拿來相互對照。這場碰撞正是這場對決誠實的核心：一個模型是以每百萬字元 49 美元的價格位居品質與語言領導者，另一個則是以 15 美元作為價格與吞吐量挑戰者，而兩者都沒有經中立第三方確認的延遲數字。

以下所有內容皆有時效性。Artificial Analysis 的數據是在 2026 年 10 月 30 日讀取的，而排行榜在幾週內就會變動數十 Elo；Sonic 3.6 自八月以來也已從第一跌至第四。廠商說法都標明為廠商說法。現有的兩個獨立延遲數據點——AssemblyAI 的實驗室測試與 Cekura 的串流測量——衡量的是不同事物，因此按各自原貌呈現，而非平均成單一虛構事實。

截至今日，他們實際所處的位置

Cartesia Sonic 3.6 於 2026 年 8 月中旬推出，幾天內就在 Artificial Analysis 的兩個語音競技場上雙雙登上第一——當時的讀數是 Provider Voice 的 1,282 和 Controlled Voice 的 1,123。經過兩個半月的新進榜單之後，它在 Provider Voice 上以 1,296 分位居第四，在 Controlled Voice 上以 1,147 分位居第六。它的分數上升了 14 分，排名卻下降了三名。這就是快速變動的排行榜會出現的情況，也是為什麼任何發布報導中的排名欄位很快就會過時。

• 供應商語音 — Cartesia Sonic 3.6 1,296，第 4 名 vs AssemblyAI-TTS-1 1,227，第 14 名

• 受控語音（八個共用的克隆語音）— Cartesia Sonic 3.6 1,147，第 6 名 對 AssemblyAI-TTS-1 1,108，第 10 名

• 每百萬字元價格 — $49 對比 $15

• 語言 — 44 對 6（英文、西班牙文、法文、德文、義大利文、葡萄牙文）

• 吞吐量（Artificial Analysis）— 每秒 148.6 個字元，相較於 162

• 發音穩健性（Artificial Analysis）— AssemblyAI 81.7%，排名第 16，而 Sonic 在第三方困難字串測試中的排名較低

• 複製語音計費 — Cartesia 對複製語音收取 1.5 倍費用，而 AssemblyAI 則採含複製的統一費率

這兩個差距的大小並不相同。Provider Voice 上的 69 Elo 是真實且可見的品質差異——大致相當於排行榜中段相鄰模型之間的距離，而且足以讓盲聽者產生偏好。Controlled Voice 上的 37 Elo 較小，落在單一評估回合就能讓模型變動數個名次的範圍內。用白話來說：Sonic 3.6 用自己的聲音聽起來更好，而在使用複製聲音時，兩者接近到由部署細節決定勝負。3.3 倍的價格差距，無論從哪個角度來看都不算接近。

延遲論點，三種說法

目前有三項測量結果，而它們都無法為這個問題下定論，因此值得精確說明每一項各自顯示了什麼。

第一項是 AssemblyAI 自家的實驗室測試。三十個提示詞、三輪、每個模型四種內建語音、一次一個請求、單一用戶端。首位元組時間中位數：AssemblyAI 47 毫秒，ElevenLabs Flash v2.5 119 毫秒，Cartesia Sonic 3.6 143 毫秒，ElevenLabs v4 612 毫秒。這是一項乾淨且描述清楚的測試，但有個明顯限制——循序請求衡量的是模型，而非服務。它無法顯示排隊、並行爭用或跨區域網路成本。它還有個利益誘因問題：公布這張表的廠商，正是在這張表上勝出的廠商。

第二項是 Cartesia 自己的說法：首次音訊時間低於 90 毫秒，該公司說明這僅計模型本身、不含網路。注意單位的變動。AssemblyAI 的 47 毫秒是首位元組；Sonic 的 90 毫秒是首次音訊；這些是串流流程中不同的時間點，而首位元組可能遠早於第一個合成幀抵達。直接把它們相比，是報導這次發布時最常見的錯誤。

第三是 Cekura 的獨立串流測量，其結果顯示 AssemblyAI-TTS-1 在代理風格句子上的中位數為 159 毫秒——在十九個系統中排名第八，而非第一。這是廠商所稱正式環境數值的兩倍，且大致符合真實網路路徑會對乾淨實驗室數據造成的影響。同一輪測試中並沒有 Sonic 3.6 的對等獨立數據，這意味著誠實的說法不是「AssemblyAI 更快」，而是「AssemblyAI 在它自己設計的測試中更快，而且兩個模型從未由中立實驗室在同一天進行同場對比」。

吞吐量是更清楚的比較，因為 Artificial Analysis 對兩者採用相同的測量方式。在每秒 162 個字元對 148.6 個字元的情況下，AssemblyAI 產生音訊的速度約快 9%——這比首位元組數據所暗示的優勢小得多，而且對即時代理來說無關緊要，因為兩個模型的速度都已比即時快上數倍。在生產環境中，真正重要的是尾延遲與並發情況下的可靠性，而兩家供應商都尚未公布 p99 數值。

價格差異包含哪些內容

Cartesia 的 49 美元並非像 AssemblyAI 的 15 美元那樣是固定的全包費率。Sonic 3.6 對複製語音收取標準費率的 1.5 倍，這使得執行自訂語音的代理每百萬字元約需 73.50 美元——約為 AssemblyAI 費率的 4.9 倍。AssemblyAI 對內建語音與複製語音一律收取 15 美元，包含詞級時間戳、美國或歐盟處理以及無限並行，無需購買方案層級，也無需年度承諾。Cartesia 透過免費、每月 5 美元、49 美元與 299 美元的方案銷售點數，且其免費方案禁止商業使用。

我以腳本推算，而非依據價目表：一百萬字元約等於正常語速下 18 小時的成品語音，這使得 AssemblyAI 每成品小時約 81 美分，相較於 Sonic 3.6 依定價約 2.70 美元，或若複製語音按 1.5 倍費率計費則約 4.05 美元。對每月十萬小時的營運規模而言，這是一筆 81,000 美元與 270,000 美元支出項目的差別。語音品質本身完全不足以正當化 3.3 倍的乘數；Cartesia 的優勢必須建立在覆蓋範圍、控制與可靠性上，而不是 Elo。

語言與控制項，Cartesia 仍輕鬆勝出

四十四種在地化語言相對於六種，是這項比較中最大的單一功能差距，而且這個差距不是降價就能彌補的。AssemblyAI 提供英語、西班牙語、法語、德語、義大利語和葡萄牙語，並涵蓋多種口音，還承諾會新增更多語言，但未給出日期。如果你的代理服務歐洲市場，且超出這六種語言之外——波蘭語、荷蘭語、瑞典語、希臘語——那麼在兩者之中，Sonic 3.6 是唯一的選項，價格差異也就不再重要了。

控制項的落差也朝向同一個方向。AssemblyAI-TTS-1 在推出時沒有 SSML、沒有速度參數、沒有發音詞典，也沒有情緒標籤；該廠商自家的推出頁面將情緒描述為模型原生具備的能力，但其常見問答則確認專用的控制項並不可用。Cartesia 的產品是圍繞可操控語音打造——速度、情緒與發音處理都是其提供內容的一部分。對於腳本化旁白、配音，或任何必須引導節奏的工作負載，AssemblyAI 目前要求你改寫文字以獲得想要的呈現方式，而這是無法向任何人請款的工作。

AssemblyAI 在能力上領先的唯一領域，正是 Cartesia 最弱的地方：困難字串。Artificial Analysis 將 AssemblyAI 的發音穩健性評為 81.7%，在該榜單上排名第十六；而 AssemblyAI 自家的評估則顯示，其在電話號碼、URL 與代碼上的實體準確率為 93.7%，相較 Sonic 3.6 的 82.5%——這是一項由廠商自行執行的廠商比較，而 11 個百分點的差距大到不能以方法論雜訊視之。一項獨立測試（Gradium 的測試）將 Sonic 的困難案例得分定為 75.1%。對 IVR、回讀與確認碼而言，那就是決定部署與否的數字。

誰應該拿哪一個？

當工作負載屬於高用量、英語加五種語言、且大量依賴結構化回讀——訂單編號、地址、代碼、劑量——而實體準確度優勢與 $15 的統一費率會彼此加成時，請選擇 AssemblyAI-TTS-1。當你需要超過六種語言、當語氣必須以指示方式控制而非改寫、當你正在複製聲音且能吸收 1.5 倍的計費，或當 Provider Voice 上的自然度落差正是使用者聽得出來的地方時，請選擇 Cartesia Sonic 3.6。37 分的受控競技場差異小到讓任一模型上建置良好的 agent 聽起來都還不錯；69 分的供應商差異，才是聽者真正會察覺的那一個。

還有第三個選項，兩個廠商都沒有宣傳，而這正是多數團隊最終採用的做法：同時運行兩者，讓流量來決定。把兩條 TTS 分支放在同一個路由規則之後，就能把大量回讀的語句送給能正確讀出代碼的模型，並把旁白送給聽起來更順耳的模型，而無需維護兩條整合路徑。這正是路由層存在的理由——單一 API 背後有超過 200 個模型，以 0% 加成、原價透傳，因此任一方降價都會在同一天反映；還有路由 DSL，可依工作負載而非靠猜測來拆分流量。AssemblyAI-TTS-1 與 Cartesia Sonic 3.6 目前都不在 OrcaRouter 目錄中，所以這只是比較的架構輪廓，而非聲稱已託管它們；我們實際路由的 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——涵蓋第二條分支，而這兩款領先模型則可在你自己的流量上進行評估。

究竟什麼才能真正解決這件事？

一個中立的實驗室，在相同的硬體、相同的網路路徑與相同的負載設定下同時跑這兩個模型，只需一個下午就能終結這場延遲爭論，卻沒有人做過。在那之前，站得住腳的立場是：AssemblyAI 在自家測試中更快，在現實中也可能更快；Cartesia 是音質更好的模型，且涵蓋範圍廣泛得多；而價格差距大到足以讓買方必須認為 Sonic 3.6 的品質優勢值每字元 3.3 倍——若是複製語音，則是 4.9 倍——才划算。

另外兩項發展比任何基準測試都更能左右答案。如果 AssemblyAI 推出 SSML 與發音詞典，六種語言的上限就會成為唯一剩下的功能性異議，而價格方面的論點也將變得極難反駁。如果 Cartesia 把費率調降到市場的新低點，或延長其複製語音的計費方式，覆蓋範圍的優勢就變得可負擔。該關注的是這兩項動作，而不是下一次 Elo 讀數——在一個模型十週內能多拿 14 分、卻掉三個名次的排行榜上，名次是雜訊，價格才是訊號。