AssemblyAI e Cartesia dividem agentes de voz por camada

AssemblyAI e Cartesia competem em mais do que apenas na qualidade da voz, com cada empresa oferecendo agora uma pilha mais ampla para agentes de voz, em vez de um modelo único de texto para fala. A comparação envolve três camadas separadas: síntese de fala, reconhecimento de voz e orquestração de agentes, além de preços, cobertura de idiomas e resultados publicados de benchmarks.

Evidências e contexto

De acordo com as páginas e documentação de preços das empresas até 2026-10-28, a AssemblyAI lista o AssemblyAI-TTS-1 para texto para fala, Universal-3.6 Pro Realtime para streaming de fala para texto e LLM Gateway para acesso a modelos, enquanto a Cartesia lista o Sonic 3.6 para texto para fala, Ink 2 para fala e Managed Agents como um produto de agente hospedado faturado por minuto. A comparação de fontes diz que os produtos são destinados a serem usados de maneiras diferentes: os componentes do AssemblyAI são projetados para rodar dentro do LiveKit, Pipecat ou do próprio orquestrador do usuário, enquanto a Cartesia inclui ferramentas de agentes hospedados.

Sobre texto para fala, a AssemblyAI diz que o AssemblyAI-TTS-1 foi treinado com milhões de horas de áudio, incluindo dados conversacionais reais, e oferece milhares de vozes em seis idiomas: inglês, espanhol, francês, alemão, italiano e português. O anúncio também afirma que o produto suporta clonagem instantânea de vozes no painel, interfaces três e concorrência ilimitada. O Sonic 3.6 da Cartesia é descrito em sua documentação como geralmente disponível em 44 idiomas, e a comparação indica que a Cartesia publica instantâneos datados, como sonic-3.6-2026-08-27 junto com um pseudônimo sonic-3.6 móvel.

O material de origem também traça uma linha entre os controles de ajuste de voz. A documentação e as ferramentas da Cartesia incluem dicionários de pronúncia, enquanto os parâmetros de conexão TTS do AssemblyAI não incluem velocidade, tom, emoção, estilo ou controles de estabilidade e não suportam SSML. Em vez disso, o guia do AssemblyAI diz que os usuários moldam a entrega por meio de pontuação, capitalização e palavras de preenchimento escritas.

Para telefonia, os serviços de dois parecem alinhados. Tanto a saída pcm_mulaw quanto a pcm_alaw a 8 kHz para redes de operadoras, e ambos os documentos fazem referência ao formato μ-law de 8 kHz da Twilio como alvo.

Os números de avaliação publicados no material fonte favorecem diferentes modelos dependendo da métrica. Nas avaliações do AssemblyAI a partir do lançamento, a precisão das entidades foi 93.7% para o AssemblyAI-TTS-1 versus 82.5% para o Sonic 3.6, enquanto o tempo mediano até o primeiro byte foi de 47 ms contra 143 ms. O tempo de produção para o primeiro áudio do pós-lançamento para o TTS-1 do AssemblyAI- foi de 90 ms. A preferência prevista do ouvinte, medida como uma estimativa automatizada de MOS em uma escala 1-to-5 , estava próxima de 3.85 para o AssemblyAI-TTS-1 e 3.82 para o Sonic 3.6.

A comparação também cita o ranking TTS da Coval, onde o AssemblyAI-TTS-1 registrou 1.7% taxa de erro de palavras e o Sonic 3.6 registrou 1.8% até 2026-10-28. A fonte observa que o Coval remede diariamente ao longo de 30 dias rotativos, então o ranking pode mudar. Também destaca que os números de latência nem sempre são diretamente comparáveis porque podem medir diferentes marcos, como o tempo até o primeiro byte versus o tempo para o primeiro áudio audível.

Em reconhecimento de fala, o Universal-3.6 Pro Realtime da AssemblyAI é descrito como um topo de linha de streaming com 32 idiomas, detecção de curvas embutida e preço de $0.45 por hora. O modelo atual de streaming da Cartesia é o Ink 2, lançado em 2026-09-17, com suporte para inglês, francês, hindi, japonês e espanhol. O material original diz que o modelo anterior Ink-Whisper da Cartesia aparece em "Modelos Antigos".

A página de benchmarks da AssemblyAI, citada no material, mostra uma clara divisão entre suas próprias tabelas de testes e tabelas de terceiros. Em suas próprias suítes, a página diz que Universal-3.6 Pro Realtime foi testado contra Cartesia Ink-Whisper, não Ink 2, e apresentou um WER médio de 5.19% versus 15.17% no benchmark de voice-agent em inglês, junto com taxas de erro de 14.4% versus 40.1%. A mesma página diz que Ink 2 aparece na tabela de sistemas sem uma execução atual nesses conjuntos, então ainda não existe uma linha de Ink semelhante 2 do próprio harness do AssemblyAI.

A página também reproduz tabelas de terceiros que incluem Ink 2. No benchmark Cekura Converse-STT clean-clips, Universal-3.6 Pro Realtime postou 1.77% WER e Ink 2 postou 2.39%. No benchmark de chamadas reais da Cekura, a fonte lista 4.50% para Universal-3.6 Pro Realtime e 3.09% para Ink 2. Também lista o tempo mediano até o texto final de 91 ms para Universal-3.6 Pro Realtime e 123 ms para Ink 2. O material não diz que essas tabelas foram produzidas na mesma data ou sob condições idênticas de teste, portanto não devem ser tratadas como uma única classificação unificada.

Os limites de preços e concorrência também variam entre as pilhas. O material fonte lista o preço TTS do AssemblyAI em $15 por 1 milhão de caracteres sem compromisso, e seu preço STT em $0.45 por hora. O TTS da Cartesia é descrito como custando cerca de 1 crédito por caractere sob planos mensais, enquanto o Ink 2 é precificado em 3 créditos por segundo de áudio. Para concorrência, o TTS do AssemblyAI é descrito como ilimitado, com taxa limitada por novas sessões por minuto, enquanto a Cartesia publica limites de solicitações concorrentes baseados em planos, de 2 no Free até 15 on Scale, com limites personalizados para o Enterprise. Para STT, o AssemblyAI é descrito como oferecendo concorrência ilimitada com limites de taxa para novas sessões, enquanto o Cartesia lista 8 requisições concorrentes no Free até 60 no Scale, além de limites personalizados do Enterprise.

O material de origem não estabelece um único vencedor em toda a pilha de agentes de voz. Em vez disso, mostra dois produtos que se sobrepõem em algumas áreas e divergem em outras, com a AssemblyAI enfatizando TTS orientado a agentes e componentes STT de streaming, e a Cartesia combinando TTS, STT e agentes hospedados. O momento da próxima atualização verificada do produto ou atualização de benchmark não é divulgado no material.