AssemblyAI와 Cartesia는 음성 에이전트를 레이어별로 분리했습니다

AssemblyAI와 Cartesia는 음성 품질뿐만 아니라 음성 변환 모델이 아닌 음성 에이전트용 더 넓은 스택을 제공하며 경쟁하고 있습니다. 비교는 음성 합성, 음성 인식, 에이전트 오케스트레이션의 세 세한 층, 가격, 언어 커버리지, 공개된 벤치마크 결과 등에서 이루어집니다.

증거와 맥락

2026-10-28년 기준 회사 가격 페이지와 문서에 따르면, AssemblyAI는 텍스트 음성 변환용 AssemblyAI-TTS-1, 스트리밍 음성 변환용 Universal-3.6 Pro Realtime, 모델 접근용 LLM 게이트웨이를 나열하고 있으며, Cartesia는 텍스트 음성 변환용 Sonic 3.6, 음성-텍스트 변환용 Ink 2, 분당 요금 청구 서비스로 Managed Agents를 분류하고 있습니다. 출처 비교에 따르면 두 제품은 서로 다른 방식으로 사용될 예정이며, AssemblyAI의 구성 요소는 LiveKit, Pipecat 또는 사용자의 오케스트레이터 내에서 실행되도록 설계되었고, Cartesia는 호스팅 에이전트 툴링을 포함하고 있습니다.

텍스트 음성 변환 측면에서 AssemblyAI는 AssemblyAI-TTS-1 실제 대화 데이터를 포함한 수백만 시간의 오디오로 학습되었으며, 영어, 스페인어, 프랑스어, 독일어, 이탈리아어, 포르투갈어 등 여섯 언어에서 수천 가지 음성을 제공합니다. 발표에 따르면 이 제품은 대시보드에서 즉시 음성 복제, 세 인터페이스, 무제한 동시성을 지원합니다. Cartesia의 Sonic 3.6은 문서에서 44 언어로 일반적으로 제공된다고 설명되어 있으며, 비교 보고서에서는 sonic-3.6-2026-08-27과 같은 오래된 스냅샷을 이동 sonic-3.6 별명과 함께 공개한다고 합니다.

원본 자료는 음성 튜닝 컨트롤 간의 경계도 그립니다. Cartesia의 문서와 도구에는 발음 사전이 포함되어 있지만, AssemblyAI의 TTS 연결 매개변수에는 속도, 음정, 감정, 스타일, 안정성 제어가 포함되지 않고 SSML도 지원하지 않습니다. 대신 AssemblyAI 가이드는 사용자가 구두점, 대문자, 그리고 필기된 채우기어로 전달을 형성한다고 설명합니다.

전화 통신에서는 두 서비스가 정렬된 것으로 보입니다. 송반파 네트워크의 출력은 pcm_mulaw과 pcm_alaw 모두 8 kHz이며, 두 문서 모두 Twilio의 8 kHz μ법칙 형식을 목표로 삼고 있습니다.

원본 자료에 발표된 평가 수치는 지표에 따라 다른 모델을 선호합니다. AssemblyAI가 런칭 포스트 이후 평가한 결과, AssemblyAI-TTS-1 엔티티 정확도는 Sonic 3.6 82.5% 93.7% 있었고, 첫 번째 바이트까지 중간 시간은 47 ms, 143 ms였습니다. AssemblyAI-TTS-1의 런치 포스트에서 첫 오디오 제작 시간까지 시간은 90 ms였습니다. 1-to-5 척도의 자동 MOS 추정으로 측정된 예측 청취자 선호도는 AssemblyAI-TTS-1가 3.85, Sonic 3.6는 3.82에 근접했습니다.

비교 결과는 또한 Coval의 TTS 리더보드를 인용하는데, AssemblyAI-TTS-1는 1.7% 단어 오류율을, Sonic 3.6는 2026-10-28 1.8% 기록했습니다. 출처는 Coval이 매일 30일 단위로 재측정하므로 순위가 변할 수 있다고 언급합니다. 또한 지연 수치가 항상 직접적으로 비교 가능하지 않다고 지적하는데, 이는 첫 번째 바이트까지의 시간과 첫 청각 오디오의 시간 등 서로 다른 마일스톤을 측정할 수 있기 때문입니다.

음성 인식 측면에서 AssemblyAI의 Universal-3.6 Pro Realtime은 32 언어, 내장된 턴 감지, 시간당 $0.45 달러 요금을 갖춘 스트리밍 플래그십으로 설명됩니다. Cartesia의 현재 스트리밍 모델은 영어, 프랑스어, 힌디어, 일본어, 스페인어를 지원하는 Ink 2로, 2026-09-17에서 출시되었습니다. 출처에 따르면 Cartesia의 초기 Ink-Whisper 모델은 "Older Models"에 포함되어 있습니다.

자료에서 인용된 AssemblyAI의 벤치마크 페이지는 자체 테스트와 서드파티 테이블 간의 명확한 구분을 보여줍니다. 자체 제품군에서는 Universal-3.6 Pro Realtime이 Ink 2가 아닌 Cartesia Ink-Whisper와 테스트되었으며, 영어 음성 에이전트 벤치마크에서 평균 WER 5.19% 대 15.17% , 엔티티 오류율도 14.4% 대 40.1%이라고 나와 있습니다. 같은 페이지에서는 Ink 2 이 해당 제품군에서 현재 실행 없이 시스템 테이블에 나타나므로, AssemblyAI 자체 하네스에서 동일한 Ink 행 2 아직 동일 데이터가 없습니다.

이 페이지는 Ink 2을 포함한 서드파티 표도 재현하고 있습니다. Cekura Converse-STT 클린 클립 벤치마크에서는 Universal-3.6 Pro Realtime이 1.77% WER를, Ink 2가 2.39%게시했습니다. Cekura Real-Calls 벤치마크에서는 Universal-3.6 Pro Realtime의 4.50%, Ink 2의 3.09%을 나열합니다. 또한 Universal-3.6 Pro Realtime의 최종 텍스트 중간 시간까지 91 ms, Ink 2의 경우 123 ms)도 명시되어 있습니다. 자료에는 이 표들이 같은 날짜에 또는 동일한 테스트 조건에서 제작되었다고 명시되어 있지 않으므로, 단일 통합 순위로 취급해서는 안 됩니다.

가격 및 동시성 한도도 스택마다 다릅니다. 원본 자료에는 AssemblyAI의 TTS 가격이 1백만 문자당 $15개로 표시되어 있으며, STT 가격은 시간당 $0.45개로 표기되어 있습니다. Cartesia의 TTS는 월별 크레딧 플랜에서 문자당 약 1 크레딧이 소요되는 반면, Ink 2는 오디오 초당 3 크레딧으로 책정되어 있습니다. 동시성 측면에서 AssemblyAI의 TTS는 무제한으로 설명되며, 분당 신규 세션 수 제한이 있고, Cartesia는 무료 2에서 15 on Scale까지 계획 기반 동시 요청 한도를 발행하며, 엔터프라이즈 기준으로 맞춤형 한도를 제공합니다. STT의 경우 AssemblyAI는 무제한 동시성과 신규 세션 속도 제한을 제공하며, Cartesia는 Free on Scale에서 최대 60 8 동시 요청을 나열하고 맞춤형 엔터프라이즈 제한도 지원합니다.

원본 자료는 전체 음성 에이전트 스택 전반에 걸쳐 단일 승자를 명확히 하지 않습니다. 대신 일부 영역에서는 겹치고 다른 부분에서는 갈라지는 두 두 제품을 보여주며, AssemblyAI는 에이전트 지향 TTS와 스트리밍 STT 컴포넌트를, Cartesia는 TTS, STT, 호스팅 에이전트를 결합합니다. 다음 검증된 제품 업데이트 또는 벤치마크 갱신 시점은 자료에 공개되지 않습니다.