比較 / CartesiaとDeepgramの比較
リスナーはCartesiaのSonic 3.6をDeepgram Flux TTSより高く評価しています。
さらにCartesiaはAura-2やFlux TTSよりもレイテンシーのばらつきが小さく、通話が止まる応答が少なくなります。


Speech Arenaで第1位
リスナーに選ばれる理由を聴いてみましょうDeepgramより選ばれるCartesia
Artificial Analysisのブラインド試聴テストで、CartesiaのSonic 3.6はDeepgram Flux TTSより高く評価されています。
“I understand things are difficult right now. We can start with a smaller amount, around $35 a month, and adjust it later. There's no pressure to commit to more than you can manage.”
Flux TTS
Sonic 3.6
音声品質
Sonic 3.6はFlux TTSより自然に聞こえます
- Artificial Analysisはどちらのモデル名も伏せて同じ文のクリップを2つ再生し、 掲載するすべてのモデルを同じ方法で評価します。
- Sonic 3.6はDeepgram Flux TTSを200ポイント以上上回っています。
Provider Voice ArenaのEloスコア
高いほど良い
レイテンシーの安定性
Sonic 3.5は最も遅い応答も最速の応答に近い
- 平均値では、会話を途切れさせる応答が見えません。通話相手が実際に体験するのは 応答時間のばらつきです。
- Sonic 3.5は測定された最も遅い応答でも0.5秒未満です。Deepgramの両モデルは それを超えています。
レイテンシーのばらつき:TTFA値の分布
低いほど良い
遅延の測定値を見る
最初の音声までの時間をミリ秒で表示しています。箱はリクエストの中央50%、線は中央値を示します。ひげは絶対的な最小値・最大値ではありません。
- Sonic 3.5:中央値 267ms、中央50% 234〜297ms、ひげ 140〜391ms。
- Aura-2:中央値 304ms、中央50% 213〜424ms、ひげ 93〜740ms。
- Flux:中央値 245ms、中央50% 201〜500ms、ひげ 100〜658ms。
遅いリクエストの遅延
特に重要な場面でCartesiaがリード
- P95は20人に1人が体験する応答であり、会話が止まる頻度を左右します。
- そのパーセンタイルでSonic 3.5はDeepgramの両モデルより速く応答し、 3つの中で唯一、ばらつきが予測可能な範囲に収まっています。
P95のレイテンシー
低いほど良い
認識精度
Sonic 3.6は単語の誤りが少ない、Deepgramの両モデルと比較
- Covalは各モデルが生成したすべてのクリップを文字起こしして台本と比較します。 誤り率が低いほど、台本どおりに読み上げられた割合が高いことを意味します。
- Sonic 3.6はFluxやAura-2より単語の読み違いが少なく、名前、数字、コードを 記載どおりに伝えます。
単語誤り率
低いほど良い
速度
Sonic 3.6の音声生成速度はFlux TTSの6倍
- Artificial Analysisは掲載するすべてのモデルを同じ測定環境で計測し、 1秒あたりの生成文字数を比較します。
- Sonic 3.6は毎秒139.3文字、Flux TTSは22.2文字を生成します。
1秒あたりの文字数
高いほど良い
企業がDeepgramではなくCartesiaを選ぶ理由
音声認識の精度
ライブ音声でのストリーミング単語誤り率(WER)。エージェントの返答は、聞き取った内容から始まります。
CartesiaストリーミングWER 3.4%Ink-2DeepgramストリーミングWER 6.6%Nova-3ストリーミングWER 7.4%Flux2026年10月
安定性
大規模な利用では、平均よりも遅延のばらつきが重要。
Cartesia四分位範囲63msDeepgram四分位範囲211msAura-2四分位範囲300msFlux2026年8月
音声合成の精度
各モデルが生成した音声の単語誤り率(WER)。名前、数字、用語が記載どおりに伝わるかを示します。
CartesiaWER 1.99%Sonic 3.6DeepgramWER 2.20%FluxWER 2.78%Aura-22026年9月
言語一覧
世界の顧客に伝わり、信頼につながるか。
Cartesia1つのモデルで44言語に対応し、地域ごとにアクセントを調整Deepgram7言語声の選択肢
独自の声を作る前に、ライブラリーでどこまで対応できるか。
Cartesia800以上の音声Deepgram88種類のプリセット音声導入形態
規制のある組織でも利用できるか。
CartesiaVPC、オンプレミス、オンデバイス、エアギャップ環境に対応し、稼働率99.9%のSLAを提供DeepgramセルフホスティングにはEnterpriseプランが必要
よくある質問
音声認識でDeepgramの代わりになるものはありますか?
はい。Ink-2は、音声エージェント向けのCartesiaのストリーミング音声認識モデルです。Artificial Analysisのストリーミング単語誤り率インデックスでは、Ink-2が3.4%、Deepgram Nova-3 Realtimeが6.6%、Deepgram Fluxが7.4%です。Ink-2はターン検出を内蔵しているため、別のモデルなしで発信者が話し終えたタイミングを判断できます。
Cartesiaの音声品質は第三者が評価していますか?
はい。Sonic 3.6はArtificial Analysis Provider Voice Arenaで94モデル中1位です。モデル名を伏せて2つのクリップを比較するブラインド試聴テストです。また、すべてのモデルに同じクローン音声を使うControlled Voice Arenaでも1位です。
このページのレイテンシーはどのように測定していますか?
Covalは独立した評価プラットフォームです。各社の公開APIを呼び出し、代表値1つではなく、返された結果の分布全体を公開しています。このページの数値は、同じ期間に測定したCartesiaの478回と、Aura-2およびFluxを合わせたDeepgramの951回の実行に基づきます。
平均値よりばらつきが重要なのはなぜですか?
通話相手が体験するのは平均値ではなく、その時点の応答です。普段は速くても時々遅くなるモデルでは、相手がエージェントの発話にかぶせて話し始め、通話を切ってしまう原因になります。遅い応答と速い応答の差を小さくすることが、音声エージェントを自然な会話に近づけます。
自社のインフラでCartesiaを実行できますか?
はい。Cartesiaはオンプレミスとエアギャップ環境にデプロイできます。医療、金融、政府機関のチームが音声を自社ネットワーク内に保つために利用しており、稼働率99.9%のSLAが適用されます。
Deepgramからの移行にはどれくらいかかりますか?
多くのチームで1〜2週間です。Cartesiaは主要な音声エージェントプラットフォームと統合され、すべてのモデルを公開APIで利用できます。別のプラットフォームに移る必要も、後から依存関係を解く手間もありません。
その他の比較
今すぐ始める
専門家に相談する。
音声体験の開発にCartesiaをどう活用できるか、私たちのチームにご相談ください。
開発を始める。
APIでモデルにアクセスし、数分で音声エージェントを本番環境に導入できます。