Kết luận nhanh: rẻ và nhanh chưa phải là đủ
Chuyển văn bản thành giọng nói (TTS) là công nghệ biến văn bản đầu vào thành âm thanh tổng hợp, trong đó độ trễ, chất lượng giọng đọc và khả năng điều khiển quyết định mức phù hợp với từng ứng dụng. Nếu ưu tiên chi phí cho khối lượng lớn và giọng đọc nội dung có cấu trúc, AssemblyAI-TTS-1 là lựa chọn đáng cân nhắc; nếu cần nhiều ngôn ngữ và cách thể hiện tự nhiên hơn, Cartesia Sonic 3.6 có lợi thế. AssemblyAI công bố âm thanh đầu tiên sau 47 ms trong phép thử nội bộ, nhưng con số này không đủ để khẳng định mô hình sẽ nhanh hơn trong mọi môi trường. Giá AssemblyAI TTS thấp hơn đáng kể, song hạn chế về điều khiển phát âm, nhịp độ và cảm xúc có thể khiến việc triển khai tốn công hơn. Quyết định nên dựa trên giọng đọc mà người dùng nghe thấy và cách hệ thống vận hành, không chỉ trên giá hay một chỉ số độ trễ chuyển văn bản.
| Tiêu chí | AssemblyAI-TTS-1 | Cartesia Sonic 3.6 |
|---|---|---|
| Giá công bố | 15 USD mỗi triệu ký tự đầu vào | 49 USD mỗi triệu ký tự |
| Độ trễ trong phép thử đối chiếu | 47 ms đến byte đầu tiên | 143 ms đến byte đầu tiên |
| Thời gian âm thanh đầu tiên do nhà cung cấp công bố | 90 ms trong môi trường sản xuất | Dưới 90 ms |
| Ngôn ngữ | 6: Anh, Tây Ban Nha, Pháp, Đức, Ý, Bồ Đào Nha | 44 |
| Thông lượng | 162 ký tự/giây | 148,6 ký tự/giây |
| Điểm giọng nhà cung cấp | 1.227, hạng 14 | 1.296, hạng 4 |
| Điểm giọng được kiểm soát | 1.108, hạng 10 | 1.147, hạng 6 |
| Độ ổn định phát âm | 81,7%, hạng 16 trong phép đo được nêu | Thấp hơn AssemblyAI trong các bài thử chuỗi khó được đề cập |
Bảng cho thấy hai mô hình thắng ở những việc khác nhau: AssemblyAI trội về giá, thông lượng và số liệu độ ổn định phát âm được nêu; Cartesia dẫn trước ở điểm giọng nhà cung cấp, giọng được kiểm soát và độ phủ ngôn ngữ. Các thứ hạng chất lượng có thể thay đổi theo thời điểm, nên hãy nghe mẫu giọng và thử đúng nội dung thực tế trước khi chọn.
Đọc đúng các con số độ trễ và chất lượng
Trong bài thử do AssemblyAI thực hiện với các yêu cầu tuần tự, thời gian trung vị đến byte đầu tiên là 47 ms với AssemblyAI-TTS-1 và 143 ms với Cartesia Sonic 3.6. Tuy nhiên, Cartesia công bố dưới 90 ms đến âm thanh đầu tiên — một chỉ số khác, được đo trong điều kiện khác. Không nên đặt hai con số cạnh nhau rồi xem chúng như kết quả của phép thử độc lập ngang bằng. Phép thử một máy khách gửi từng yêu cầu một cũng không đo hàng đợi, tranh chấp đồng thời hay đường khởi động nguội; cả hai nhà cung cấp chưa công bố chỉ số p99 để đánh giá độ trễ ở đuôi phân phối. Vì vậy, lợi thế 47 ms là một tín hiệu đáng chú ý, không phải cam kết về thời gian phản hồi trong mọi ứng dụng.
Về chất lượng, Cartesia đạt 1.296 điểm giọng nhà cung cấp so với 1.227 của AssemblyAI; ở giọng được kiểm soát, khoảng cách nhỏ hơn: 1.147 so với 1.108. Điều đó gợi ý Cartesia có ưu thế rõ hơn với giọng riêng, còn chênh lệch khi dùng giọng clone chung hẹp hơn. AssemblyAI đạt thông lượng 162 ký tự mỗi giây so với 148,6 của Cartesia, nhưng tốc độ xử lý cao không tự động đồng nghĩa với trải nghiệm nghe tốt hơn. Chênh lệch điểm chất lượng cũng không tự nó quyết định lựa chọn: độ phủ ngôn ngữ, quyền kiểm soát cách đọc và độ tin cậy khi có tải đồng thời mới có thể làm thay đổi kết quả triển khai.
Đổi lại mức giá thấp: giới hạn điều khiển và lựa chọn ngôn ngữ
AssemblyAI-TTS-1 có hơn 4.000 giọng trong thư viện và hỗ trợ nhân bản giọng tức thì, nhưng hiện chỉ có sáu ngôn ngữ được nêu. Mô hình chưa hỗ trợ SSML, tham số tốc độ, từ điển phát âm tùy chỉnh hay thẻ cảm xúc; phần cảm xúc được mô tả là năng lực gốc của mô hình, không phải một điều khiển chuyên dụng. Không có SSML đồng nghĩa người dùng thiếu cách đáng tin cậy để yêu cầu ngắt nghỉ, nhấn mạnh hoặc phát âm cụ thể mà không sửa lại văn bản. Không có tham số tốc độ thì việc đổi nhịp đọc phải xử lý ở khâu trước. Đây là những thiếu hụt đáng kể với nội dung cần cách đọc chính xác hoặc giàu biểu cảm, dù mô hình có thể phù hợp cho đọc lại số đơn hàng, địa chỉ, mã và liều lượng.
Cartesia có lợi thế rõ nếu sản phẩm cần nhiều hơn sáu ngôn ngữ hoặc cần điều khiển cách thể hiện trực tiếp thay vì chỉnh văn bản để tạo hiệu ứng. Mặt khác, việc nhân bản giọng ở Cartesia chịu mức tính phí cao hơn so với mức giá cố định của AssemblyAI, nên cần cân nhắc ngân sách theo đúng cách dùng. Với AssemblyAI, giá tính trên toàn bộ ký tự đầu vào, bao gồm dấu cách và dấu câu; kịch bản dài vì thế cần được ước lượng theo số ký tự thực tế, không chỉ theo số từ. Chọn mô hình rẻ hơn nhưng phải thêm bước xử lý hoặc chấp nhận cách đọc không như ý có thể làm mất lợi thế trong quy trình sản xuất.
Buy if / Skip if
- Buy the AssemblyAI-TTS-1 if bạn xử lý khối lượng lớn bằng tiếng Anh và năm ngôn ngữ được hỗ trợ, nhất là nội dung đọc số, địa chỉ, mã hoặc liều lượng.
- Skip the AssemblyAI-TTS-1 if ứng dụng cần SSML, điều chỉnh tốc độ, từ điển phát âm tùy chỉnh hoặc thẻ cảm xúc để kiểm soát cách đọc.
- Buy the Cartesia Sonic 3.6 if bạn cần hơn sáu ngôn ngữ, muốn điều khiển cách thể hiện trực tiếp hoặc ưu tiên chất lượng giọng riêng.
- Skip the Cartesia Sonic 3.6 if ưu tiên hàng đầu là giảm chi phí cho khối lượng lớn và các giới hạn về ngôn ngữ, điều khiển của AssemblyAI vẫn đáp ứng được.
- Buy the AssemblyAI-TTS-1 if kết quả thử với tải đồng thời của chính bạn đáp ứng yêu cầu; đừng chọn chỉ vì phép thử tuần tự ghi nhận 47 ms.
- Skip the Cartesia Sonic 3.6 if bạn đang dựa riêng vào tuyên bố dưới 90 ms để dự đoán hiệu năng trong môi trường sản xuất mà chưa kiểm thử trên hạ tầng thực tế.
