AssemblyAI und Cartesia teilen Sprachagenten nach Schicht auf

AssemblyAI und Cartesia konkurrieren in mehr als nur der Sprachqualität, wobei jedes Unternehmen nun einen breiteren Stack für Sprachagenten anbietet statt eines einzelnen Text-zu-Sprach-Modells. Der Vergleich basiert auf drei separaten Ebenen: Sprachsynthese, Spracherkennung und Agentenorchestrierung sowie Preisgestaltung, Sprachabdeckung und veröffentlichten Benchmark-Ergebnissen.

Beweise und Kontext

Laut den Preisseiten und Dokumenten der Unternehmen von 2026-10-28 listet AssemblyAI AssemblyAI-TTS-1 für Text-zu-Rede, Universal-3.6 Pro Realtime für Streaming von Sprach-zu-Text und LLM Gateway für Modellzugriff, während Cartesia Sonic 3.6 für Text-zu-Sprache, Ink 2 für Sprach-zu-Text und Managed Agents als gehostetes Agentenprodukt pro Minute auflistet. Der Quellvergleich besagt, dass die Produkte unterschiedlich genutzt werden sollen: Die Komponenten von AssemblyAI sind so konzipiert, dass sie in LiveKit, Pipecat oder einem eigenen Orchestrator des Nutzers laufen, während Cartesia gehostete Agenten-Tools enthält.

Zum Text-zu-Sprache sagt AssemblyAI, dass AssemblyAI-TTS-1 mit Millionen Stunden Audio trainiert wurde, einschließlich echter Konversationsdaten, und bietet Tausende von Stimmen in sechs Sprachen: Englisch, Spanisch, Französisch, Deutsch, Italienisch und Portugiesisch. In der Ankündigung heißt es außerdem, dass das Produkt sofortiges Sprachklonen im Dashboard unterstützt, drei Schnittstellen und unbegrenzte Nebenläufigkeit. Cartesias Sonic 3.6 wird in seiner Dokumentation als allgemein verfügbar mit 44 Sprachen beschrieben, und der Vergleich stellt fest, dass Cartesia datierte Schnappschüsse wie sonic-3.6-2026-08-27 zusammen mit einem beweglichen sonic-3.6 Alias veröffentlicht.

Das Ausgangsmaterial zieht auch eine Grenze zwischen Sprachabstimmungssteuerungen. Die Dokumente und Werkzeuge von Cartesia umfassen Aussprachewörterbücher, während die TTS-Verbindungsparameter von AssemblyAI keine Geschwindigkeit, Tonhöhe, Emotion, Stil oder Stabilität enthalten und SSML nicht unterstützen. Stattdessen sagt der AssemblyAI-Leitfaden, dass Nutzer die Übertragung durch Zeichensetzung, Großschreibung und geschriebene Füllwörter gestalten.

Für die Telefonie scheinen die zwei-Dienste ausgerichtet zu sein. Beide geben pcm_mulaw und pcm_alaw bei 8 kHz für Trägernetze aus, und beide Dokumente verweisen auf Twilios 8-kHz-μ-Law-Format als Ziel.

Veröffentlichte Bewertungszahlen im Quellmaterial bevorzugen je nach Metrik unterschiedliche Modelle. In den Bewertungen von AssemblyAI aus dem Startposten war die Entitätsgenauigkeit 93.7% für AssemblyAI TTS-1 gegenüber 82.5% für Sonic 3.6, während die mittlere Zeit bis zum ersten Byte 47 ms gegenüber 143 ms betrug. Die Produktionszeit bis zum ersten Ton des Launch-Posts für AssemblyAI-TTS-1 betrug 90 ms. Die vorhergesagte Zuhörerpräferenz, gemessen als automatisierte MOS-Schätzung auf 1 bis to-5 Skala, lag bei 3.85 bei AssemblyAI TTS-1 und 3.82 bei Sonic 3.6 nahe.

Der Vergleich verweist außerdem auf Covals TTS-Bestenliste, bei der AssemblyAI-TTS-1 1.7% Wortfehlerquote aufzeichnete und Sonic 3.6 1.8% Stand 2026-10-28. Die Quelle merkt an, dass Coval täglich über rollierende 30 Tage hinweg neu misst, sodass sich das Ranking ändern kann. Außerdem wird darauf hingewiesen, dass Latenzwerte nicht immer direkt vergleichbar sind, da sie unterschiedliche Meilensteine messen können, wie Zeit bis zum ersten Byte und Zeit bis zum ersten hörbaren Audio.

Im Bereich Spracherkennung wird AssemblyAIs Universal-3.6 Pro Realtime als Streaming-Flaggschiff mit 32 Sprachen, integrierter Kurvenerkennung und Preisen von $0.45 pro Stunde beschrieben. Cartesias aktuelles Streaming-Modell ist Ink 2, veröffentlicht auf 2026-09-17, mit Unterstützung für Englisch, Französisch, Hindi, Japanisch und Spanisch. Das Quellmaterial besagt, dass das frühere Ink-Whisper-Modell von Cartesia unter "Ältere Modelle" erscheint.

Die Benchmark-Seite von AssemblyAI, wie im Material zitiert, zeigt eine klare Trennung zwischen eigenen Test- und Drittanbieter-Tabellen. In den eigenen Suiten steht auf der Seite, Universal-3.6 Pro Realtime gegen Cartesia Ink-Whisper getestet wurde, nicht gegen Ink 2, und im englischen Sprachagenten-Benchmark einen durchschnittlichen WER von 5.19% gegenüber 15.17% angegeben hat, zusammen mit Entitätsfehlerraten von 14.4% gegenüber 40.1%. Auf derselben Seite steht, dass Ink 2 in der Systemtabelle ohne aktuellen Run auf diesen Suiten erscheint, sodass es noch keine gleichwertige Ink- 2 -Reihe aus AssemblyAIs eigenem Harness gibt.

Die Seite reproduziert außerdem Drittanbieter-Tabellen, die Ink 2 enthalten. Im Cekura Converse-STT Clean-Clips-Benchmark veröffentlichte Universal-3.6 Pro Realtime 1.77% WER und Ink 2 2.39%. Im Cekura Real-Calls Benchmark listet die Quelle 4.50% für Universal-3.6 Pro Realtime und 3.09% für Ink 2 auf. Sie listet außerdem die mittlere Zeit bis zum endgültigen Text von 91 ms für Universal-3.6 Pro Realtime und 123 ms für Ink 2 auf. Das Material sagt nicht, dass diese Tabellen am selben Datum oder unter identischen Testbedingungen erstellt wurden, daher sollten sie nicht als einheitliche Rangliste behandelt werden.

Preis- und Nebenläufigkeitsgrenzen unterscheiden sich ebenfalls zwischen den Stacks. Das Quellmaterial nennt den TTS-Preis von AssemblyAI mit $15 pro 1 Million Zeichen ohne Verpflichtung und den STT-Preis bei $0.45 pro Stunde. Cartesias TTS kostet bei monatlichen Kreditplänen etwa 1 Credits pro Zeichen, während Ink 2 mit 3 Credits pro Sekunde Audio bepreist ist. Für Nebenläufigkeit wird AssemblyAIs TTS als unbegrenzt beschrieben, mit neuen Sitzungen pro Minute rate-limitiert, während Cartesia planbasierte gleichzeitige Anfragelimits von 2 auf Free bis 15 on Scale veröffentlicht, mit benutzerdefinierten Limits für Enterprise. Für STT wird AssemblyAI als Anbieter unbegrenzter Nebenläufigkeit mit neuen Sitzungsrate-Limits beschrieben, während Cartesia 8 gleichzeitige Anfragen auf Free bis zu 60 auf Scale sowie benutzerdefinierte Enterprise-Limits auflistet.

Das Quellmaterial stellt keinen einzigen Gewinner über den gesamten Sprachagenten-Stack hinweg. Stattdessen werden zwei Produkte gezeigt, die sich in einigen Bereichen überschneiden und in anderen auseinandergehen, wobei AssemblyAI agentenorientiertes TTS und Streaming-STT-Komponenten betont und Cartesia TTS, STT und gehostete Agenten kombiniert. Der Zeitpunkt des nächsten verifizierten Produktupdates oder Benchmark-Refreshs wird im Material nicht angegeben.