AssemblyAI y Cartesia dividen los agentes de voz por capas

AssemblyAI y Cartesia compiten en algo más que la calidad de voz, y cada empresa ofrece ahora una pila más amplia para agentes de voz en lugar de un único modelo de texto a voz. La comparación se basa en tres capas separadas: síntesis de voz, reconocimiento de voz y orquestación de agentes, junto con precios, cobertura lingüística y resultados publicados de benchmarks.

Evidencia y contexto

Según las páginas de precios y documentación de las empresas a fecha de 2026-10-28, AssemblyAI lista AssemblyAI-TTS-1 para texto a voz, Universal-3.6 Pro Realtime para streaming de voz a texto y LLM Gateway para acceso a modelos, mientras que Cartesia lista Sonic 3.6 para texto a voz, Ink 2 para voz a texto y Managed Agents como producto de agente alojado facturado por minuto. La comparación de fuentes dice que los productos están pensados para usarse de diferentes maneras: los componentes de AssemblyAI están diseñados para ejecutarse dentro de LiveKit, Pipecat o el propio orquestador del usuario, mientras que Cartesia incluye herramientas de agentes alojados.

En cuanto a texto a voz, AssemblyAI afirma que AssemblyAI-TTS-1 fue entrenado con millones de horas de audio, incluyendo datos conversacionales reales, y ofrece miles de voces en seis idiomas: inglés, español, francés, alemán, italiano y portugués. El anuncio también indica que el producto soporta clonación instantánea de voz en el panel de control, interfaces de tres y concurrencia ilimitada. Sonic 3.6 de Cartesia se describe en su documentación como generalmente disponible en 44 idiomas, y la comparación señala que Cartesia publica instantáneas fechadas como sonic-3.6-2026-08-27 junto con un alias de sonic-3.6 móvil.

El material original también traza una línea entre los controles de afinación de voz. La documentación y las herramientas de Cartesia incluyen diccionarios de pronunciación, mientras que los parámetros de conexión TTS de AssemblyAI no incluyen velocidad, tono, emoción, estilo o controles de estabilidad y no soportan SSML. En su lugar, la guía de AssemblyAI dice que los usuarios moldean la entrega mediante la puntuación, la mayúscula y palabras de relleno escritas.

Para telefonía, los servicios de dos parecen alineados. Tanto la salida pcm_mulaw como pcm_alaw a 8 kHz para redes portadoras, y ambos documentos hacen referencia al formato μ-law de 8 kHz de Twilio como destino.

Las cifras de evaluación publicadas en el material original favorecen diferentes modelos según la métrica. En las evaluaciones de AssemblyAI desde el lanzamiento posterior, la precisión de las entidades fue 93.7% para AssemblyAI-TTS-1 frente a 82.5% para Sonic 3.6, mientras que el tiempo medio hasta el primer byte fue de 47 ms frente a 143 ms. La cifra de tiempo de producción hasta el primer audio de AssemblyAI-TTS-1 del post de lanzamiento fue de 90 ms. La preferencia predicha del oyente, medida como una estimación automatizada de MOS en una escala de 1-to-5 , estuvo cerca de 3.85 para AssemblyAI-TTS-1 y 3.82 para Sonic 3.6.

La comparación también cita la tabla de clasificación TTS de Coval, donde AssemblyAI-TTS-1 registró 1.7% tasa de error de palabra y Sonic 3.6 registró 1.8% a fecha de 2026-10-28. La fuente señala que Coval vuelve a medir diariamente durante un 30 días rotativo, por lo que la clasificación puede cambiar. También señala que las cifras de latencia no siempre son directamente comparables porque pueden medir diferentes hitos, como el tiempo hasta el primer byte frente al tiempo hasta el primer audio audible.

En reconocimiento de voz, el Universal-3.6 Pro Realtime de AssemblyAI se describe como un buque insignia de streaming con 32 idiomas, detección de giros integrada y precios de $0.45 por hora. El modelo actual de streaming de Cartesia es Ink 2, lanzado el 2026-09-17, con soporte para inglés, francés, hindi, japonés y español. El material original indica que el modelo anterior Ink-Whisper de Cartesia aparece bajo "Modelos Antiguos".

La página de benchmarks de AssemblyAI, citada en el material, muestra una clara división entre sus propias tablas de pruebas y las de terceros. En sus propios suites, la página dice que Universal-3.6 Pro Realtime fue probado contra Cartesia Ink-Whisper, no con Ink 2, y publicó un WER medio de 5.19% frente a 15.17% en el benchmark de agentes de voz en inglés, junto con tasas de error de entidades de 14.4% frente a 40.1%. La misma página dice que Ink 2 aparece en la tabla de sistemas sin una ejecución actual en esas suites, por lo que aún no hay una línea de Ink igual 2 del propio harness de AssemblyAI.

La página también reproduce tablas de terceros que incluyen Ink 2. En el benchmark Cekura Converse-STT clean-clips, Universal-3.6 Pro Realtime publicó 1.77% WER e Ink 2 publicó 2.39%. En el benchmark de llamadas reales de Cekura, la fuente lista 4.50% para Universal-3.6 Pro Realtime y 3.09% para Ink 2. También indica el tiempo medio hasta el texto final de 91 ms para Universal-3.6 Pro Realtime y 123 ms para Ink 2. El material no indica que estas tablas fueron producidas en la misma fecha ni bajo condiciones de prueba idénticas, por lo que no deben tratarse como una única clasificación unificada.

Los límites de precios y concurrencia también varían entre las pilas. El material original indica el precio TTS de AssemblyAI en $15 por cada 1 millones de caracteres sin compromiso, y su precio STT en $0.45 por hora. El TTS de Cartesia se describe como cuesta aproximadamente 1 crédito por carácter bajo planes mensuales de crédito, mientras que Ink 2 tiene un precio de 3 créditos por segundo de audio. Para concurrencia, el TTS de AssemblyAI se describe como ilimitado, con límite de tasa de nuevas sesiones por minuto, mientras que Cartesia publica límites de solicitudes concurrentes basados en planes desde 2 en Gratis hasta 15 en Escala, con límites personalizados para Enterprise. Para STT, AssemblyAI se describe como una concurrencia ilimitada con límites de velocidad para nuevas sesiones, mientras que Cartesia lista 8 solicitudes concurrentes en Free hasta 60 en Scale, además de límites personalizados de Enterprise.

El material fuente no establece un único ganador en toda la pila de agentes de voz. En su lugar, muestra dos productos que se solapan en algunas áreas y divergen en otras, con AssemblyAI enfatizando TTS orientado a agentes y componentes STT de streaming, y Cartesia combinando TTS, STT y agentes alojados. El momento de la próxima actualización verificada del producto o actualización de benchmark no se revela en el material.