AssemblyAI et Cartesia répartissent les agents vocaux par couche
AssemblyAI et Cartesia se font concurrence sur bien plus que la qualité vocale, chaque entreprise proposant désormais une pile plus large pour les agents vocaux plutôt qu’un modèle unique de synthèse vocale. La comparaison repose sur trois niveaux distincts : la synthèse vocale, la reconnaissance vocale et l’orchestration des agents, ainsi que la tarification, la couverture linguistique et les résultats publiés des benchmarks.
Preuves et contexte
Selon les pages tarifaires et la documentation des entreprises à 2026-10-28, AssemblyAI liste AssemblyAI-TTS-1 pour la synthèse vocale, Universal-3.6 Pro Realtime pour le streaming de la reconnaissance vocale en texte et LLM Gateway pour l’accès aux modèles, tandis que Cartesia liste Sonic 3.6 pour la synthèse vocale, Ink 2 pour la reconnaissance vocale et Managed Agents comme produit agent hébergé facturé par minute. La comparaison source indique que les produits sont conçus pour être utilisés de différentes manières : les composants d’AssemblyAI sont conçus pour fonctionner dans LiveKit, Pipecat ou l’orchestrateur de l’utilisateur, tandis que Cartesia inclut des outils d’agent hébergé.
Sur la synthèse vocale, AssemblyAI indique qu’AssemblyAI-TTS-1 a été entraîné sur des millions d’heures d’audio, y compris de vraies données conversationnelles, et propose des milliers de voix dans six langues : anglais, espagnol, français, allemand, italien et portugais. L’annonce précise également que le produit prend en charge le clonage instantané de voix dans le tableau de bord, les interfaces trois et la concurrence illimitée. Le Sonic 3.6 de Cartesia est décrit dans sa documentation comme généralement disponible avec 44 langues, et la comparaison indique que Cartesia publie des instantanés datés tels que sonic-3.6-2026-08-27 accompagnés d’un alias sonic-3.6 mobile.
Le matériel source trace également une ligne entre les contrôles d’accordage vocal. La documentation et les outils de Cartesia incluent des dictionnaires de prononciation, tandis que les paramètres de connexion TTS d’AssemblyAI n’incluent pas les contrôles de vitesse, de hauteur, d’émotion, de style ou de stabilité et ne prennent pas en charge le SSML. À la place, le guide AssemblyAI indique que les utilisateurs façonnent la livraison par la ponctuation, la capitalisation et les mots de remplissage écrits.
Pour la téléphonie, les services deux semblent alignés. Les deux sorties pcm_mulaw et pcm_alaw à 8 kHz pour les réseaux porteurs, et les deux documents font référence au format μ-law 8 kHz de Twilio comme cible.
Les chiffres d’évaluation publiés dans le matériel source favorisent différents modèles selon la métrique. Dans les évaluations d’AssemblyAI depuis le post-lancement, la précision des entités était 93.7% pour AssemblyAI-TTS-1 contre 82.5% pour Sonic 3.6, tandis que le temps médian jusqu’au premier octet était de 47 ms contre 143 ms. Le temps de production jusqu’au premier audio pour AssemblyAI-TTS-1 du post-lancement était de 90 ms. La préférence prédite par les auditeurs, mesurée comme une estimation automatisée MOS sur une échelle 1-to-5 , était proche de 3.85 pour AssemblyAI-TTS-1 et 3.82 pour Sonic 3.6.
La comparaison cite également le classement TTS de Coval, où AssemblyAI-TTS-1 enregistré 1.7% taux d’erreur de mot et Sonic 3.6 enregistré 1.8% à 2026-10-28. La source note que Coval remesure quotidiennement sur une 30 de jours mobiles, ce qui permet de modifier le classement. Elle souligne également que les chiffres de latence ne sont pas toujours directement comparables car ils peuvent mesurer différents jalons, comme le temps jusqu’au premier octet versus le temps jusqu’au premier audio audible.
En reconnaissance vocale, le Universal-3.6 Pro Realtime d’AssemblyAI est décrit comme un modèle phare de streaming avec 32 langues, une détection de virage intégrée et un tarif de $0.45 par heure. Le modèle actuel de streaming de Cartesia est Ink 2, sorti en 2026-09-17, avec un support pour l’anglais, le français, l’hindi, le japonais et l’espagnol. Le matériel source indique que le modèle Ink-Whisper précédent de Cartesia apparaît sous la rubrique « Anciens modèles ».
La page des benchmarks d’AssemblyAI, citée dans le matériel, montre une nette séparation entre ses propres tables de tests et celles de tiers. Dans ses propres suites, la page indique Universal-3.6 Pro Realtime a été testé contre Cartesia Ink-Whisper, et non Ink 2, et a affiché un WER moyen de 5.19% contre 15.17% sur le benchmark anglais des agents vocaux, ainsi que des taux d’erreur d’entité de 14.4% contre 40.1%. La même page indique que Ink 2 apparaît dans la table des systèmes sans exécution actuelle sur ces suites, donc il n’y a pas encore de ligne d’encre comparable 2 du faisceau d’AssemblyAI.
La page reproduit également des tables tierces incluant Ink 2. Dans le benchmark Cekura Converse-STT clean-clips, Universal-3.6 Pro Realtime a publié 1.77% WER et Ink 2 publié 2.39%. Dans le benchmark Cekura real-call, la source indique 4.50% pour Universal-3.6 Pro Realtime et 3.09% pour Ink 2. Il indique également le temps médian jusqu’au texte final de 91 ms pour Universal-3.6 Pro Realtime et 123 ms pour Ink 2. Le matériel ne précise pas que ces tableaux ont été produits à la même date ou dans des conditions de test identiques, ils ne doivent donc pas être considérés comme un seul classement unifié.
Les limites de tarification et de concurrence varient également selon les piles. Le matériel source indique le prix TTS d’AssemblyAI à $15 par 1 million de caractères sans engagement, et son prix STT à $0.45 par heure. Le TTS de Cartesia est décrit comme coûtant environ 1 crédit par caractère selon les forfaits mensuels, tandis qu’Ink 2 est tarifé à 3 crédits par seconde d’audio. Pour la concurrence, le TTS d’AssemblyAI est décrit comme illimité, avec une limitation de taux de nouvelles sessions par minute, tandis que Cartesia publie des plafonds de demandes concurrentes basés sur des forfaits allant de 2 sur Free à 15 on Scale, avec des limites personnalisées pour Enterprise. Pour STT, AssemblyAI est décrit comme offrant une concurrence illimitée avec des limites de débit pour les nouvelles sessions, tandis que Cartesia liste 8 requêtes concurrentes sur Free jusqu’à 60 sur Scale, plus des limites Enterprise personnalisées.
Le matériel source ne définit pas un seul gagnant dans toute la pile d’agents vocaux. Il montre plutôt deux produits qui se chevauchent dans certains domaines et divergent dans d’autres, AssemblyAI mettant l’accent sur les composants STT orientés agents et STT, et Cartesia combinant TTS, STT et agents hébergés. Le calendrier de la prochaine mise à jour vérifiée du produit ou de la mise à jour de benchmark n’est pas divulgué dans le contenu.