Cartesia yönetilen ses ajanlarını dakikası 0,03 dolarlık tanıtım fiyatıyla sundu

Cartesia, kurumsal kullanıma yönelik Managed Agents adlı ses ajanlarını 29 Ekim'de kullanıma sundu. Dakikada 0,03 dolar (yaklaşık 40 won) olan ücret tanıtım fiyatı; telekomünikasyon, LLM ve ses modeli maliyetleri ayrıca hesaplanıyor.

Cartesia, duyurusunda telefon bağlantısı, bilgi tabanı ve harici araç entegrasyonlarını tek platformda sunduğunu belirtti. Ajanlar görüşme sırasında harici sistemlerdeki bilgilere erişebiliyor ve belgeleri temel alarak yanıt verebiliyor.

Şirketin şu anda görüşme sırasında geçiş yapılabildiğini belirttiği diller İngilizce, İspanyolca, Hintçe, Fransızca ve Japonca. Cartesia, desteklenen dil sayısını 44'e çıkarmayı planladığını açıkladı.

Ses ajanları genellikle konuşma tanıma (STT), dil modeli (LLM), konuşma sentezi (TTS) ve araç kullanımını bir araya getiriyor. Bu adımları tek sağlayıcının sunduğu yönetilen modellerin yanı sıra geliştiricilerin modelleri seçip birleştirdiği seçenekler de bulunuyor.

AssemblyAI, 29 Nisan'da STT, LLM ve TTS'yi tek bir WebSocket üzerinden birleştiren Voice Agent API'yi duyurdu. Entegre hizmet, ses girdisine karşılık sesli yanıt veriyor.

AssemblyAI, entegre API'nin yanı sıra STT ve TTS modellerinin seçilip başka araçlarla birleştirilebildiği bir seçenek de sunuyor. TokenPost daha önce AssemblyAI'nin konuşma tanımadan yanıt üretimi ve ses çıkışına kadar uzanan bir yapı sunduğunu yazmıştı.

AssemblyAI'nin entegre API'si saat başına 4,50 dolar (yaklaşık 6.047 won) tutuyor. Şirket, bu ücrete konuşmayı anlama, LLM çıkarımı ve ses üretimi maliyetlerinin dahil olduğunu belirtiyor.

Ayrı model ücretleri gerçek zamanlı STT için saat başına 0,45 dolar (yaklaşık 605 won), TTS içinse 1 milyon karakter başına 15 dolar (yaklaşık 20.156 won). Won karşılıkları, 3 Kasım 2026'da dolar başına 1.343,70 won kuru üzerinden hesaplandı.

Cartesia'nın sağladığı telefon numarası kullanıldığında dakika başına 0,014 dolar (yaklaşık 19 won) telekomünikasyon ücreti ekleniyor. LLM kullanımı ayrıca ücretlendiriliyor; STT ve TTS için de yönetilen ajan ücretinden ayrı krediler uygulanıyor.

İki şirketin açıkladığı ücretler farklı birimlere ve kapsama sahip. Hangisinin daha ucuz olduğunu yalnızca dakika ve saat ücretlerine bakarak belirlemek mümkün değil; görüşme hacmi, telefon bağlantısı ve LLM ile ses modellerinin kullanımı da hesaba katılmalı.

AssemblyAI'nin Universal-3.6 Pro Realtime modeli, Korece dahil 32 dilde gerçek zamanlı transkripsiyon sunuyor. Şirketin açıkladığı TTS çıkış dilleri ise İngilizce, İspanyolca, Fransızca, Almanca, İtalyanca ve Portekizce olmak üzere altı dil.

Korece konuşmayı metne dönüştürebilmesi, aynı ürünün Korece sesli yanıt da verebildiği anlamına gelmiyor. Nisan ayında yayımlanan Voice Agent API duyurusunda kullanılan model olarak Universal-3 Pro Streaming belirtilmişti.

AssemblyAI'nin şu anda ayrı bir gerçek zamanlı STT modeli olarak tanıttığı ürün Universal-3.6 Pro Realtime. Duyuruda adı geçen model farklı olduğu için şirket, entegre API'nin şu anda hangi model sürümünü kullandığını açıklamadı.

Cartesia'nın yönetilen ajanları için açıkladığı mevcut görüşme dili geçiş listesinde Korece yer almıyor. Ayrı STT modeli Ink-2 için belirtilen diller de İngilizce, Fransızca, Hintçe, Japonca ve İspanyolca; Korece iki listede de bulunmuyor.

Artificial Analysis'ın Speech Agent Arena'sında Cartesia ürünü, 685 örneklik değerlendirmede 1.111±29 Elo puanı ve yüzde 91,7 görev başarı oranı aldı. Ürün 1. ile 2. sıra aralığında yer alırken puanının güven aralığı 2. sıradaki ürününkiyle örtüşüyor.

AssemblyAI'nin kendi STT değerlendirmesinde açıkladığı yüzde 14,41'lik oran, ses ajanı varlık hata oranı. Cartesia'nın ölçümü uçtan uca sesli görüşmelerde tercih ve görev başarısını, AssemblyAI'ninki ise konuşma tanıma hatalarını ölçüyor; bu nedenle iki sonuç doğrudan karşılaştırılamıyor.