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.