Inworld Realtime TTS-2 對比 Cartesia Sonic 3.6：會傾聽的聲音 vs 競技場之王

關於合成語音為何會讓人覺得像真人，有兩種相互競爭的理論，而目前這兩種理論各自最佳的商業範例分別是 Inworld Realtime TTS-2 和 Cartesia Sonic 3.6。Cartesia 的理論是，人性存在於音訊之中：讓音色、韻律及節奏都與真人難以分辨，聽眾就會把你排在第一——Sonic 3.6 在八月就做到了這一點，以 Elo 1,282 分躍居 Artificial Analysis 的 Provider Voice 競技場榜首。Inworld 的理論則是，人性存在於聆聽之中：TTS-2 會根據先前對話的實際音訊來調整它的表達方式，因此它不只是聽起來像真人，回應方式也像真人。本週，這兩種理論在記分板上交鋒：同一份重新計分，讓 Inworld Realtime TTS-2 以 Elo 1,252 分在 Provider 排行榜上名列第二，同時也讓它在 Controlled Voice 競技場——這個榜單原本由 Cartesia 領先——以 1,123 分登上第一，勝過 Sonic 3.6 的 1,119 分。其中一個模型保有 Provider 排行榜的桂冠，另一個則剛奪下 Controlled Voice 排行榜的寶座。

这不是一场某一方明显有错的较量。两款模型是为重叠但并非完全相同的任务而构建的，价格差异——Sonic 3.6 每百万字符 49.0 美元，对比 Inworld Realtime TTS-2 的按需 25 美元——确实真实存在，使得决策既包含预算因素，也包含质量因素。

關於人類語音的兩種理論

Cartesia 在 2026 年 8 月低調發布了 Sonic 3.6，這是一個在 Sonic 3.5 基礎上改進的小版本，並未改變價格或架構敘事。這項改進出現在 Cartesia 最需要的地方：該模型在 Artificial Analysis 的 Provider Voice 競技場中躍升至 Elo 1,282——該競技場中每個模型都使用自己的原生語音——並在整個 8 月保持 Controlled Voice 競技場的領先地位。在受控排行榜上，每個模型都被克隆到相同的八位參考說話者身上，因此那個桂冠是對合成引擎本身的評判，與配音人才無關。本週 Inworld 一般可用性重新評分後，Cartesia 仍領先供應商排行榜，但 Sonic 3.6 現在以 Elo 1,119 位居受控排行榜第二，落後 Inworld Realtime TTS-2 的 1,123 四分。

Inworld Realtime TTS-2 源自不同的傳統。其前身產品線 TTS 1.5 在 2026 年初時即位居同類榜單的頂尖之列；而 TTS-2 的研究預覽版在 6 月於供應商排行榜上測得 Elo 1,209。自推出正式版（GA）後，排名持續攀升：在目前的榜單上，Provider Voice 獲得 1,252（第 2 名，僅次於 Sonic 3.6 的 1,282），Controlled Voice 獲得 1,123（第 1 名）。不過，這款旗艦模型的真正差異點不在於 Elo，而在於它能將對話中先前的輪次當作音訊輸入，並以此塑造下一句的呈現方式。Cartesia 從文字紀錄校準情緒；Inworld 則聆聽上一句話的表達方式。

記分板，如實標示。

Elo 分數來自 Artificial Analysis 的語音競技場，於 2026 年 9 月從即時排行榜讀取。延遲數據除非另有註明，否則皆為廠商回報，且這兩款型號均未發布獨立的延遲審計報告。

• 獨立品質 — Cartesia Sonic 3.6：Elo 1,282（第 1 名，供應商語音）與 1,119（第 2 名，受控語音）對比 Inworld Realtime TTS-2：Elo 1,252（第 2 名，供應商語音）與 1,123（第 1 名，受控語音）

• 每 1M 字符價格 — 49.0 美元（Artificial Analysis 追蹤）對比按需 25 美元、混合 20.8 美元（Artificial Analysis 追蹤），批量購買時可低至 12.50 美元（供應商）

• 首次音訊時間 — 低於 90 毫秒（廠商宣稱），對比 Inworld 上市測試中的中位數低於 200 毫秒、p99 低於 100 毫秒（廠商宣稱）；Inworld 針對 Sonic 的低延遲對應方案是獨立的 TTS-2 Flash 層級，其首字節時間約 25 毫秒

語言 — 42 種本地化語言 vs. 100+ 種用於投放導向的語言；Inworld 宣稱的單一語音身分識別可涵蓋 200+ 個語言地區（依廠商說法）

• 即時語音複製 — 約 10 秒音訊 vs 5–15 秒，另有專業複製測試版，使用約 10 分鐘音訊以產生更高保真度的語音複製。

• 傳遞控制 — 包含內聯轉錄標籤（如 [笑聲]）、音量與速度調節，或「[平靜、令人安心]」與 [低語] 等平實英文指示、請求層級指令，以及從 Stable 到 Expressive 的三種穩定度模式。

為什麼「聽取對話」是不同的一個軸向？

上面的記分板衡量的是聲音在單獨聆聽時的聽感。這兩個模型真正出現分歧的維度，不會顯示在任何排行榜上，因為它只存在於多輪對話之間。

Inworld Realtime TTS-2 是為某人剛對它說完話的情境而建。該模型會吸收先前對話輪次的音訊——而不只是文字轉錄——考量語氣、節奏與情緒狀態，並在開口前選定回應狀態。如果來電者感到沮喪，表達方式會隨之改變；如果對方放鬆，則會調回原狀。這就是為什麼 Inworld 將此模型定位於代理、伴侶與遊戲，而非旁白：此功能在一次性文字轉語音呼叫中沒有意義，但在對話中卻至關重要。

Cartesia Sonic 3.6 的運作方式不同。它是一個快速、高品質的串流引擎，而 Cartesia 自己的主張是能從文字轉錄中自動進行情緒校準——它會讀取文字內容並據此調整語氣。它所不做的事情，是去聆聽前面回合的音訊。在單一 utterance 內，兩者聽起來可能相當；但若放到整個對話脈絡中，Inworld 所建模的是 Sonic 並未嘗試去做的事。如果你的產品是單回合的配音，那麼這種建模是額外負擔；如果它是即時代理，那它就是產品本身。

速度、價格，以及 Flash 的注意事項

在純延遲表現上，Cartesia 一直握有領先優勢：亞 90 毫秒的首音時間（time-to-first-audio）雖為廠商自行宣稱，但這是該公司自 Sonic 3 世代以來實際出貨的數字，且至今沒有任何人發布過相反的審計結果。Inworld 的旗艦產品則以亞 200 毫秒的延遲交出相近的對話等級表現，對即時代理（live agents）而言已足夠。Inworld 真正的延遲亮點，是與 GA 模型同步推出的 Flash 等級——這是一個獨立的模型，首位元組時間（time-to-first-byte）約 25 毫秒，鎖定高用量工作負載，在這些場景中 Sonic 等級的成本與延遲比表現力更重要。不過需要注意的是，Flash 是該系列中功能精簡的成員：支援即時複製與內聯非語言聲音（inline non-verbals），但不具備專業複製（professional cloning）功能，也無法進行完整的自然語言控制。

價格方面則恰恰相反。Sonic 3.6 每百萬字元收費 49.0 美元——約為 Inworld 按需費率 25 美元的兩倍，將近頂級方案 12.50 美元的四倍。在兩者雙雙入榜的排行榜上，品質差距並不足以讓高用量買家接受如此高的倍數價差。對每次對話都會產生數千字元的即時語音代理而言，字元單價的差異，正是健康單位經濟與單薄單位經濟之間的分水嶺。

該選哪個

• 請選擇 Cartesia Sonic 3.6，如果你想要的是供應商排行榜的桂冠——它是採用自家原生語音的聲音中得分最高者，Elo 1,282，適合簡短且自足的語句，如助理回答、遊戲臺詞與狀態播報。以每百萬字符 49 美元的價格，你是在為這頂桂冠付費；而它仍然是該排行榜上最難被擊敗的模型。

• 選擇 Inworld Realtime TTS-2，若產品屬於多輪對話，需要對另一端的人作出回應——例如客服電話、陪伴型應用、面試、課輔教學。它在受控排行榜上居冠；該榜上的每個模型都使用相同的八個參考語音，而它在聆聽對話音訊的同時，價格只需約一半。

• 把切換機制建入路由層，如果你無法事先知道通話需要哪種語音。截至本文撰寫之際，這兩個模型都還不在 OrcaRouter 上——Sonic 可透過 Cartesia 自己的 API 和數個第三方平台存取，Inworld 則透過自己的 API——但路由層正是讓對話先以某一種語音開始、再故障切換到另一種語音的結構，而且各家供應商的牌價都以 0% 加成原價轉嫁。當其中一個排行榜再次翻轉——而本週確實如此——選擇就只是改變設定，而不是重寫。

簡短版本

這是一個真正的分岔點，而誠實的答案是：這個分岔點在於對話輪替（turn-taking），而非音訊品質。如果你需要以自家原生語音取得最高評分的獨立語音，Cartesia Sonic 3.6 以 Elo 1,282 佔據供應商榜首，並為此收取每百萬字元 49 美元的費用。如果你需要能回應說話方式的語音，Inworld Realtime TTS-2 本週以 25 美元的隨選價格正式上市（GA），在雙方以相同語音交鋒的受控榜單中領先，並具備沒有任何競技場能完整衡量的對話感知功能。排行榜如今在這兩個模型之間一分為二——這正是「最佳」取決於測試標準的市場所能呈現的最誠實樣貌。