AssemblyAI и Cartesia делят голосовых агентов по слоям

AssemblyAI и Cartesia конкурируют не только по качеству голоса, каждая компания теперь предлагает более широкий стек голосовых агентов вместо единой модели преобразования текста в речь. Сравнение включает три отдельных уровня: синтез речи, распознавание речи и оркестрацию агентов, а также ценообразование, охват языков и опубликованные результаты бенчмарков.

Доказательства и контекст

Согласно ценовым страницам и документации компаний по состоянию на 2026-10-28год, AssemblyAI указывает AssemblyAI-TTS-1 для преобразования текста в речь, Universal-3.6 Pro Realtime для потокового преобразования речи в текст и LLM Gateway для доступа к моделям, а Cartesia указывает Sonic 3.6 для преобразования текста в речь, Ink 2 для преобразования речи в текст и управляемые агенты как продукт для размещенных агентов с оплатой за минуту. Сравнение источников говорит, что продукты предназначены для использования по-разному: компоненты AssemblyAI предназначены для работы внутри LiveKit, Pipecat или собственного оркестратора пользователя, а Cartesia включает инструменты для размещенных агентов.

Что касается преобразования текста в речь, AssemblyAI сообщает, что AssemblyAI-TTS-1 обучен на миллионах часов аудио, включая реальные разговорные данные, и предлагает тысячи голосов на шесть языках: английском, испанском, французском, немецком, итальянском и португальском. В объявлении также говорится, что продукт поддерживает мгновенное клонирование голоса на панели управления, три интерфейсах и неограниченную параллельность. Sonic 3.6 от Cartesia описан в документации как общедоступный на 44 языках, а в сравнении отмечается, что Cartesia публикует датированные снимки, такие как sonic-3.6-2026-08-27, вместе с движущимся псевдонимом sonic-3.6.

Исходный материал также проводит границу между управлением голосовой настройкой. Документация и инструменты Cartesia включают словари произношения, тогда как параметры подключения TTS от AssemblyAI не включают контроли скорости, высоты тона, эмоций, стиля или стабильности и не поддерживают SSML. Вместо этого руководство AssemblyAI говорит, что пользователи формируют подачу с помощью пунктуации, заглавных букв и вписанных заполняющих слов.

Для телефонии два сервисы выглядят согласованными. И выходные pcm_mulaw, и pcm_alaw на 8 кГц для операторских сетей, и оба документа ссылаются на формат Twilio 8 кГц μ-закон как цель.

Опубликованные оценки в исходном материале отдают предпочтение разным моделям в зависимости от метрики. В оценках AssemblyAI с момента запуска точность сущностей была 93.7% для AssemblyAI —TTS-1 против 82.5% для Sonic 3.6, а медиана времени до первого байта составляла 47 мс против 143 мс. Показатель времени производства до первого аудио для AssemblyAI-TTS-1 на посту запуска составлял 90 мс. Прогнозируемое предпочтение слушателя, измеряемое как автоматизированная оценка MOS по шкале 1—to-5 , была близка к 3.85 для AssemblyAI-TTS-1 и 3.82 для Sonic 3.6.

В сравнении также приводится таблица лидеров TTS от Coval, где AssemblyAI-TTS-1 зафиксировал 1.7% ошибки слов, а Sonic 3.6 записал 1.8% по состоянию на 2026-10-28год. Источник отмечает, что Coval переизмеряет данные ежедневно в течение 30 дней, поэтому рейтинг может меняться. Также отмечается, что показатели задержки не всегда напрямую сопоставимы, поскольку они могут измерять разные этапы, такие как время до первого байта и время до первого слышимого звука.

Что касается распознавания речи, Universal-3.6 Pro Realtime от AssemblyAI описывается как флагманский стриминг с 32 языками, встроенным обнаружением поворотов и ценами $0.45 в час. Текущая стриминговая модель Cartesia — Ink 2, выпущенная на 2026-09-17с поддержкой английского, французского, хинди, японского и испанского языков. В исходном материале говорится, что более ранняя модель Ink-Whisper от Cartesia появляется в разделе «Старые модели».

Страница бенчмарков AssemblyAI, как указано в материале, показывает чёткое разделение между собственными тестами и сторонними таблицами. В собственных пакетах страницы говорится, что Universal-3.6 Pro Realtime был протестирован против Cartesia Ink-Whisper, а не с Ink 2, и показал средний WER 5.19% против 15.17% по английскому бенчмарку голосового агента, а также уровень ошибок сущности 14.4% против 40.1%. На той же странице указано, что Ink 2 появляется в системной таблице без текущего запуска этих пакетов, так что пока нет аналогичного ряда Ink 2 из собственного жгута AssemblyAI.

На странице также воспроизведены сторонние таблицы, включающие Ink 2. В бенчмарке Cekura Converse-STT clean-clips Universal-3.6 Pro Realtime опубликован 1.77% WER и Ink 2 2.39%. В бенчмарке Cekura real-calls исходник указывает 4.50% для Universal-3.6 Pro Realtime и 3.09% для Ink 2. Также указано медианное время до финального текста 91 мс для Universal-3.6 Pro Realtime и 123 мс для Ink 2. В материале не указано, что эти таблицы были созданы в одну и ту же дату или при одинаковых условиях тестирования, поэтому их не следует рассматривать как единый рейтинг.

Цены и лимиты по параллельности также различаются между стэками. В исходном материале указана цена TTS AssemblyAI как $15 за 1 миллион символов без обязательств, а цена STT — $0.45 в час. TTS от Cartesia описывается как стоимость около 1 кредита за символ по ежемесячным кредитным планам, тогда как Ink 2 оценивается в 3 кредитов в секунду аудио. Для параллелизма TTS от AssemblyAI описывается как неограниченная, с ограниченным тарифом на новые сессии в минуту, а Cartesia публикует лимиты по одновременным запросам на основе плана от 2 на Free до 15 on Scale, с пользовательскими лимитами для Enterprise. Для STT AssemblyAI описывается как предлагающий неограниченную параллельность с лимитами скорости новых сессий, в то время как Cartesia указывает 8 параллельных запросов на Free до 60 в масштабе, плюс пользовательские ограничения Enterprise.

Исходный материал не устанавливает единого победителя в полном стеке голосовых агентов. Вместо этого он показывает два продукта, которые пересекаются в одних областях и расходятся в других: AssemblyAI делает акцент на агентно-ориентированных компонентах TTS и потокового STT, а Cartesia объединяет TTS, STT и размещённых агентов. Время следующего проверенного обновления продукта или обновления бенчмарка в материале не раскрывается.