Sakhanda Wire
NVDA $152.86 -2.10% MSFT $505.56 -2.40% GOOGL $280.34 -1.19% META $618.69 -1.23% AMZN $256.63 -0.43%
← Към новините

Sonic-3.6 оглави две класации за синтез на реч

Cartesia представи Sonic-3.6 — най-новата версия на своя модел за преобразуване на текст в реч в реално време, около три месеца след Sonic-3.5. Моделът заема първо място и в двете класации за реч на Artificial Analysis: 1 283 Elo в Provider Voice и 1 123 Elo в Controlled Voice. Във втората всички системи се тестват с едни и същи осем референтни гласа. Sonic-3.5 е втори, а ElevenLabs Eleven v3 — трети.

Sonic-3.6 използва модели на състоянието, а не трансформатори. Cartesia посочва време до първия аудиосигнал под 90 милисекунди, но уточнява, че това е латентност на модела, а не измерване на целия път от заявката до отговора. Продуктът е в бета версия и се предлага чрез хостван API. Няма самостоятелно хоствани тегла, тъй като моделът е затворен и комерсиален.

API интерфейсът поддържа изразни тагове, клониране на глас от около 10 секунди аудио, речници за произношение и настройки за скорост, сила и емоция. Artificial Analysis нормализира цената до $49.00 за 1M знака, при $100.00 за ElevenLabs Eleven v3 и $10.00 за Speechify Simba 3.2. Планът Scale струва $299 месечно и включва приблизително 10 667 минути синтез и 15 едновременни заявки.

Текстът е изготвен от ИИ на Sakhanda Wire по материал на MarkTechPost. Фактите, цитатите и пълният контекст са в оригиналната статия по-долу.

Първоначално публикувано от MarkTechPost на

Прочетете оригинала в MarkTechPost ↗

Репортажът и изображението принадлежат на MarkTechPost и са посочени по-горе с връзка към оригинала; текстът на тази страница е собствено изложение на Sakhanda Wire.

← Към новините

Още новини

Всички последни новини