Cartesia пусна Sonic-3.6: стрийминг TTS модел, която вече оглавява и двете речеви арени на Artificial Analysis

Cartesia пусна Sonic-3.6, най-новата версия на своя модел за преобразуване на текст в реч в реално време. Той се появява приблизително три месеца след Sonic-3.5. Новата промяна е естествеността и тя може да бъде проверена независимо. Sonic 3.6 вече заема #1 и в двете класации за реч на Artificial Analysis — 1 283 Elo в класацията Provider Voice и 1 123 в класацията Controlled Voice. Вторият резултат е по-важен. Тази класация клонира всеки модел върху едни и същи осем референтни гласа, което изолира механизма за синтез от каталога с гласове. Sonic-3.6 я води, следван от Sonic-3.5 на второ място и Eleven v3 на ElevenLabs на трето. Моделът работи със модели на пространството на състоянията, а не с трансформъри, и Cartesia посочва време до първия звук под 90 мс. Той е достъпен в бета версия.

Може ли да бъде внедрен?

ДА, достъпен е в бета версия и като хостван API. Но не и като самостоятелно хоствани тегла.

Sonic е затворен комерсиален модел. Няма отворени тегла и няма хранилище в Hugging Face. Използвате го под наем.

• Ниво на компанията: Самостоятелни разработчици и стартъпи (нива Free/Pro за $5), разрастващи се компании, управляващи контактни центрове (Startup за $49 / Scale за $299), и регулирани предприятия, нуждаещи се от DPA, BAA и SSO.
• Индустрии: Финансови услуги, здравеопазване, търговия на дребно и електронна търговия, логистика, подбор на персонал, SaaS поддръжка, потребителски приложения-компаньони, локализация на медии
• Приложения: Агенти за входяща поддръжка, изходящи квалификационни обаждания, замяна на IVR, напомняния за срещи, симулатори за обучение по продажби, аудиолокализация, гласов потребителски интерфейс в продукта

Архитектурата

Sonic работи с модели на пространството на състоянията, а не с трансформъри. Страницата за представянето на Cartesia представя обичайните компромиси — скорост спрямо естественост, точност спрямо цена — като архитектурни, а не неизбежни.

Практическият резултат е времето до първия звук. Cartesia посочва латентност на TTS под 90 мс и латентност на транскрипцията от 100 мс за своя модел за преобразуване на реч в текст Ink-2. И двете са посочени от доставчика латентности на модела, а не измерени крайни времена за двупосочно предаване.

Интерактивно обяснение

Функции, които имат значение в продукционна среда

Sonic предлага контроли, създадени за транскрипции на агенти, а не за разказ:

• Вградени тагове за изразителност. Невербални изрази като [laughter] се добавят директно в транскрипцията.
• Моментално клониране на глас от приблизително 10 секунди аудио.
• Персонализирани речници за произношение, включително IPA замени като <<s|ə|ˈ|p|i|n|ə>> за subpoena.
• Параметри за скорост, сила на звука и емоция, достъпни чрез API и интеграции като плъгина LiveKit Agents.
• Вградена поддръжка на буквено-цифрови последователности. Номера на поръчки, телефонни номера и кодове за потвърждение се произнасят правилно без предварителна обработка.

Демонстрациите на Cartesia при представянето показват английски с естествени паузи и думи-паразити, както и превключване между хинди и английски в рамките на едно изказване.

Реалността на ценообразуването

Artificial Analysis нормализира Sonic 3.6 до $49,00 за 1 млн. знака. Това е наполовина спрямо Eleven v3 на ElevenLabs при $100,00 и значително над Speechify Simba 3.2 при $10,00 за 1 240 Elo.

Cartesia продава кредити, а не знаци. Планът Scale за $299 месечно включва приблизително 10 667 минути TTS и 15 едновременни заявки. Гласовите агенти Line се таксуват отделно по $0,06 на минута.

Основни изводи

• Sonic-3.6 е #1 и в двете арени за реч на Artificial Analysis — 1 283 Elo в Provider Voice и 1 123 в Controlled Voice.
• Победата в класацията Controlled означава, че механизмът се е подобрил, а не просто каталогът с гласове.
• Той е в бета версия само в API на Cartesia; документацията все още посочва Sonic 3.5 като стабилен, а партньорите предлагат 3.5.
• Може да бъде внедрен като хостван API, но не и като самостоятелно хоствани тегла; комерсиалната употреба започва от ниво Pro за $5.
• Твърденията за латентност (TTFA под 90 мс) са посочена от доставчика латентност на модела, затова измерете собственото си двупосочно време.
  

---

Разгледайте страницата на проекта — Cartesia Sonic, страницата за представянето на Cartesia, ценообразуването на Cartesia, документацията на Cartesia, Speech Arena на Artificial Analysis и @cartesia в X. Всички данни са проверени на 18 август 2026 г.. Също така можете да ни последвате в Twitter и не забравяйте да се присъедините към нашия SubReddit за машинно обучение с над 150 хил. членове и да се абонирате за нашия бюлетин. Почакайте! В Telegram ли сте? Сега можете да се присъедините към нас и в Telegram.

Имате нужда от партньорство с нас за популяризиране на вашето GitHub хранилище ИЛИ страница в Hugging Face ИЛИ представяне на продукт ИЛИ уебинар и т.н.? Свържете се с нас