Cartesia 发布 Sonic-3.6：流式 TTS 模型登顶两大语音竞技场

Cartesia 发布了 Sonic-3.6，这是其实时文本转语音模型的最新版本。该版本大约在 Sonic-3.5 发布三个月后推出。此次更新的重点是自然度，并且这一点可以独立验证。Sonic 3.6 目前在 Artificial Analysis 的两个语音排行榜上均位列第一——在 Provider Voice 排行榜上获得 1,283 Elo，在 Controlled Voice 排行榜上获得 1,123 Elo。第二个结果更为重要。该排行榜将每个模型都克隆到相同的八个参考音色上，从而将合成引擎与音色库隔离开来。Sonic-3.6 在该榜单上领先，Sonic-3.5 位居第二，ElevenLabs Eleven v3 位居第三。该模型基于状态空间模型而非 Transformer 架构，Cartesia 声称其首音频时间低于 90 毫秒。该模型目前处于测试阶段。

可以部署吗？

可以，它目前处于测试阶段，并作为托管 API 提供。不支持自托管权重。

Sonic 是一个闭源的商业模型。没有开放权重，也没有 Hugging Face 仓库。只能租用。

• 公司级别：独立开发者和初创公司（免费/专业版 5 美元层级）、运营联络中心的成长型企业（初创版 49 美元 / 规模版 299 美元），以及需要 DPA、BAA 和 SSO 的受监管企业。
• 行业：金融服务、医疗保健、零售和电子商务、物流、招聘、SaaS 支持、消费者伴侣应用、媒体本地化。
• 应用场景：呼入支持代理、呼出资格筛选电话、IVR 替代方案、预约提醒、销售培训模拟器、音频本地化、产品内语音 UI。

架构

Sonic 基于状态空间模型而非 Transformer 架构。Cartesia 的发布页面将常见的权衡——速度与自然度、准确性与成本——描述为架构性问题，而非不可避免的取舍。

实际产出是首音频时间。Cartesia 声称 TTS 延迟低于 90 毫秒，其 Ink-2 语音转文本模型的转录延迟为 100 毫秒。两者均为供应商声明的模型延迟，而非实测的端到端往返时间。

交互式说明

生产中重要的功能

• 内联表情标签。像 [笑声] 这样的非语言表达可以直接放在转录文本中。
• 即时声音克隆，约需 10 秒音频。
• 自定义发音词典，包括 IPA 覆盖，例如 > 用于 “subpoena”。
• 通过 API 和 LiveKit Agents 插件等集成暴露速度、音量和情感参数。
• 原生字母数字支持。订单号、电话号码和确认码无需预处理即可正确读出。

Cartesia 的发布演示展示了带有自然停顿和填充词的英语，以及印地语和英语之间的 Hinglish 语码转换。

定价现实

Artificial Analysis 将 Sonic 3.6 标准化为每 100 万字符 49.00 美元。这相当于 ElevenLabs Eleven v3（100.00 美元）的一半，但远高于 Speechify Simba 3.2（10.00 美元，Elo 为 1,240）。

Cartesia 销售积分而非字符。规模版每月 299 美元，包含约 10,667 分钟的 TTS 时长和 15 个并发请求。语音代理按每分钟 0.06 美元单独计费。

关键要点

• Sonic-3.6 在 Artificial Analysis 的两个语音竞技场中均排名第一——Provider Voice 为 1,283 Elo，Controlled Voice 为 1,123 Elo。
• 赢得 Controlled 排行榜意味着引擎本身得到了改进，而不仅仅是音色库。
• 目前仅在 Cartesia API 上提供测试版；文档仍将 Sonic 3.5 列为稳定版，合作伙伴也仍在使用 3.5。
• 可作为托管 API 部署，不支持自托管权重；商业使用从 5 美元的专业版层级开始。
• 延迟声明（低于 90 毫秒 TTFA）是供应商声明的模型延迟，因此请自行测试您的端到端往返时间。

想与我们合作推广您的 GitHub 仓库、Hugging Face 页面、产品发布或网络研讨会吗？请联系我们。

Asif Razzaq 是 Marktechpost Media Inc. 的首席执行官。作为一位有远见的企业家和工程师，Asif 致力于利用人工智能的潜力造福社会。他最近的努力是推出了人工智能媒体平台 Marktechpost，该平台以深入报道机器学习和深度学习新闻而著称，内容既具有技术深度，又易于广大读者理解。该平台每月浏览量超过 200 万，足见其受欢迎程度。