Rime Prism 與 Cartesia Sonic 3.6：別再拿 90 毫秒和 570 毫秒相比

Cartesia Sonic 3.6 在不到 90 毫秒內回應。Rime Prism 則約需 570 毫秒。如果這句話就是你比較的全部內容，那麼你已經得出一個方向錯了、且誤差達兩倍的結論——因為這兩個數字並非從同一時刻起算。Sonic 3.6 的 90 毫秒，是從文字送達合成器到第一個音訊樣本的時間。Rime Prism 的 570 毫秒，則是從來電者說完句子到代理發出聲音的時間。在這兩個事件之間，還隔著一次語音辨識流程和一整回合的語言模型運算，而這兩者 Sonic 3.6 都不執行。把它們放在同一個時鐘上衡量，差距就會縮小到來電者幾乎難以分辨的程度，屆時決策重點就變成價格、語言涵蓋範圍，以及是否有人需要核准實際說出的內容。

兩個模型都是現行版本，且都已正式推出。Cartesia Sonic 3.6於 2026 年 8 月 27 日正式推出，是一款串流文字轉語音模型，在推出時即登上 Artificial Analysis 兩項語音排行榜的榜首——但隨著更新的語音加入排行榜，它之後已被超越。Rime Prism於 2026 年 10 月 28 日推出，是一款語音轉語音模型，每分鐘通話音訊收費 $0.080，會先以文字形式產生回覆，再將其說出來。一個是元件，一個是系統，而真正有趣的比較，是當你圍繞著它組建一套可運作的語音代理時，兩者各自要花多少成本。

準確來說，Sonic 3.6 究竟是什麼

這是一個文字轉語音模型，而且就現有證據來看，是相當不錯的一個。串流能力比行銷宣傳更重要：WebSocket、Server-Sent Events 和原始位元組全都支援，這正是讓 TTS 模型能用在即時通話中、而不只是批次作業裡的關鍵。

• 涵蓋範圍 — 44 種語言遍及 61 個語言環境，包括印地語和 Hinglish。

• 語音 — 可從參考片段進行 10 秒即時複製；此版本未公布內建語音的數量。

• 控制 — 超過 60 種情緒與語氣標籤，僅限英文；速度從 0.6x 到 1.5x。

• 音訊 — 輸出取樣率從 8 kHz 至高達 48 kHz，格式為 WAV、MP3 或 PCM，並具備 3,000 個 token 的上下文視窗。

• 延遲 — 廠商宣稱在串流模式下、約每秒 132 字元時，首次音訊輸出時間低於 90 毫秒。

• Arena — 推出時，Artificial Analysis 的 Provider Voice Elo 約為 1,282，Controlled Voice 約為 1,123，當時在兩張榜單上都位居首位，之後排名已有所變動。

• 開放性 — 不提供權重。Sonic 3.6 是託管模型，就像 Prism 一樣。

Cartesia 也在 2026 年 10 月 20 日停用了幾個較舊的模型——sonic-turbo、sonic-2 以及 sonic-3-2025-10-27 快照——而 Sonic 3.5 仍與 3.6 一同列為穩定版本。如果你正在進行遷移，請確認你的整合實際上指向哪一個世代，因為回退到已停用的模型會是靜默失敗。

正確計算 90 毫秒與 570 毫秒的算術比較

這是每個排名頁面都會略過的部分。Sonic 3.6 串接系統有三個時鐘串聯運行：

• 來電者話語的語音辨識——串流辨識器通常需要幾百毫秒才能完成一句話的辨識。

• 語言模型的回合——這個可變項，從短暫確認所需的 200 毫秒，到代理在回覆前進行推理時遠遠超過一秒。

Sonic 3.6 的合成環節——在廠商測試的速率下、排除網路因素，低於 90 毫秒；而對實際 Cartesia 通話路徑所做的獨立端對端測量，一旦把另外兩個環節計入，結果會高出好幾倍。

把中間三項加進去，一條調校良好的串接流程，從來電者語音結束到客服人員第一段音訊，大約落在 800 毫秒到 1.5 秒之間。Prism 的 0.57 秒就涵蓋了這全部。因此就完整路徑而言，Prism 並不比 Sonic 3.6 慢——它比 Sonic 3.6 所處的那條管線還快，在理想情況下大約快上兩倍。

這種情況只會在一種架構下翻轉：如果你的語言模型回合非常短，而你的辨識器非常快，Sonic 級聯架構也能在大約半秒內達到首次音訊，那麼這時 90 毫秒的跳幅才真正是原因所在。也就是說，90 毫秒是一項真正的工程成就，而且它確實在發揮作用——只是不是比較表所暗示的那種作用。

最誠實的表述，就是 Cartesia 自家數據所支持的那一種。低於 90 毫秒的合成環節是市面上最快的，而且是在排除網路的情況下測得。Prism 的 570 毫秒是廠商數據，由 Rime 本身在 τ-Voice 測試框架上測得，而非由中立實驗室測得。兩家公司都未發表直接對比，也沒有人在同一通話路徑上測試過這兩者。任何把這兩者說成同類對等的延遲競賽，都是在憑空捏造結果。

每分鐘價格，真正的差距就在這裡。

Cartesia 按字元計費：大約每個字元一 credit，Artificial Analysis 將其標準化為每百萬字元約 49 美元。Rime 自己的文件則以每分鐘語音約 1,000 字元換算，這使 Sonic 3.6 每分鐘生成音訊的價格接近 0.049 美元。更快的語速——Cartesia 基準測試中的每秒 132 字元——會把價格壓低到接近 0.034 美元。視你的代理說話速度而定，大約可算每分鐘三到五分美元。

Prism 在 Flex 方案上每分鐘通話音訊為 $0.080，在 Scale 方案上則為 $0.064。但 Prism 的分鐘並不是同樣的分鐘。它是以通話音訊計費，而非以客服人員語音計費，因此若一通電話中來電者有一半時間在說話，對 Prism 而言，成本與客服人員從不間斷說話的通話相同。單是這項差異，就能讓實際比較結果往任一方向偏移三分之一，而這正是你為試用方案定價時，第一個要納入模型考量的重點。

現在把這條串接流程組起來。Sonic 3.6 每分鐘四美分，語音辨識每分鐘半分到一美分，還有一個在對話式 token 用量下每分鐘只要幾美分的語言模型——在任何基礎設施成本之前，你大約是每個代理說話分鐘八到十美分。在這個基準下，八美分的 Prism 並不是高階產品。它用同樣的價格，換來一份帳單、一份合約和一份延遲預算，而不是三份。

Cartesia 的方案結構進一步印證了這一點。免費方案提供 20,000 點數與 2 條並行；Pro 方案為 $5，提供 100,000 點數與 3 條並行；Startup 方案為 $49，提供 125 萬點數與 5 條並行；Scale 方案為 $299，提供 800 萬點數與 15 條並行；Enterprise 則可客製，包含 DPA、BAA 與區域部署。並行數會依方案等級設上限，而對客服中心來說，這才是真正形成瓶頸的數字——Scale 方案的 15 條並行串流，只相當於一個忙碌的中型佇列，還算不上大型。

語言覆蓋與控制：決定性的取捨

Cartesia 在涵蓋範圍上以顯著且可量化的差距勝出。橫跨 61 個地區設定、共 44 種語言，這是一份公開且可驗證的清單。Rime 則完全不公布 Prism 的語言數量，儘管它旗下其他文字轉語音產品有公布自家的數字——但 Prism 專屬的數據在產品頁面上並不存在。如果你下一季要在十五個市場上線，光是這項資訊的缺席本身就足以構成淘汰理由，而無論本文其他內容怎麼說，Sonic 3.6 就是答案。

Prism 贏得了控制權，而且領先幅度是結構性的，而非漸進式的。Sonic 3.6 接收的是最終文本。它能以超過 60 種情緒標籤演繹那段文本，也能以 1.5 倍速說出來，但它無法拒絕它。Prism 自己產生文本，就在語音輸出前一步，而 Rime 表示，應用程式可以在那個時點、通話仍在進行時改寫、封鎖、標記或修正發音。法規要求的揭露聲明、絕不能提出的主張、絕不能說出口的競爭品牌名稱——這些都存在於檢查點，而不在你交給語音合成器的那段文本裡。

你可以在 Sonic 串聯架構中建立同樣的控制。在語言模型與語音合成器之間加入政策檢查，你就有了檢查點。你沒有的，是一個能在同一輪處理中對音訊進行推理的模型，而這正是 Prism 主張的另一半：語氣、猶豫和背景噪音會影響回覆，而不是先被壓平成逐字稿。這值不值得付八美分而不是四美分，是關於你的通話的問題，而不是關於模型的問題。

兩部都有串流，但兩部都不在我們的目錄中。

Prism 由 Rime 直接販售。Sonic 3.6 由 Cartesia 直接販售，並透過數個第三方平台販售。目前 OrcaRouter 並未路由這兩者，本文任何內容都不應被解讀為另有主張。

我們所做的路由，是兩者都依賴的一層。在 Sonic 級聯中，中間的語言模型是一項選擇，而這項選擇正是呼叫品質與成本真正所在。OrcaRouter 上的一組金鑰即涵蓋 200 多個模型，且以供應商定價零加成，並可在供應商之間自動容錯切換，因此停滯的對話模型不會變成無聲冷場——請求會改道。路由 DSL 讓你能在同一個端點內，把確認輪次交給小而便宜的模型，把查詢輪次交給較大的模型；這正是級聯所需的同一套成本紀律，也是級聯在價格上仍具競爭力的原因。

而如果你想在不必再建立第二個供應商關係的情況下，加入一個託管的語音合成環節，openai/tts-1-hd 與 google/gemini-3.1-flash-tts-preview 都已按牌價列在目錄中。它們不是 Sonic 3.6。它們是同一條管線的另外兩端，用的是同一把金鑰。

結論，依架構分述

如果你要建構的語言超過寥寥幾種，Cartesia Sonic 3.6 就是正確的語音合成器，比較可以到此為止。四十四種語言是既定事實；一份未公開的清單則不是承諾。

如果你正在建置單一市場的客服中心，而客服人員不能說出某些話，那麼在兩者之中，只有 Rime Prism 能在決策與實際說出口之間提供一個介入點；而且每分鐘八美分的費用，大致就等同於你原本得自行拼湊的多層串接方案——但只需一張帳單，而不是三張。

如果你介於兩者之間，決勝關鍵是負載下的延遲，而不是基準測試圖表上的延遲。Cartesia 低於 90 毫秒的躍點延遲是在排除網路的情況下測得，而部署地點若離該區域很遠，延遲會高出許多。Prism 的 570 毫秒是在完全沒有網路的測試環境中測得。在做選擇之前，請從你實際所在的區域，在你實際的呼叫路徑上分別實測兩者。已公布的數字無法解決這個問題，任何說可以的人，都是在拿兩支不同的碼錶相比。

關於競技場分數有個但書，因為它們會被引用：Artificial Analysis 的 Sonic 3.6 Elo 衡量的是語音在人類評分者聽來如何。Prism 在 τ-Voice 上的 56.6 衡量的是代理在 278 通模擬服務通話中完成任務的頻率。兩者不是同一種量測工具，並不共用同一尺度，把其中一個從另一個減掉，得出的數字毫無意義。Sonic 3.6 沒有 τ-Voice 分數，因為它不是代理。Prism 沒有競技場 Elo，因為它不是語音。這種不對稱正是整個比較的縮影。