Cartesia выпустила Sonic-3.6: потоковую TTS-модель, которая теперь лидирует на обеих речевых аренах Artificial Analysis

Cartesia выпустила Sonic-3.6 — новейшую версию своей модели преобразования текста в речь в реальном времени. Это произошло примерно через три месяца после выхода Sonic-3.5. Главное изменение — естественность звучания, и его можно независимо проверить. Sonic 3.6 теперь занимает 1-е место в обоих рейтингах речи Artificial Analysis — 1 283 Elo на рейтинге Provider Voice и 1 123 на рейтинге Controlled Voice. Второй результат важнее. В этом рейтинге каждая модель тестируется на одном и том же наборе из восьми эталонных голосов, что позволяет отделить возможности движка синтеза от каталога голосов. Sonic-3.6 лидирует, за ним следуют Sonic-3.5 на втором месте и Eleven v3 от ElevenLabs на третьем. Модель работает на основе моделей пространства состояний, а не трансформеров, и, по заявлению Cartesia, обеспечивает задержку до первого аудио менее 90 мс. Доступна в бета-версии.

Можно ли её внедрить?

ДА, она доступна в бета-версии и в виде размещённого API. Но не в виде весов для самостоятельного хостинга.

Sonic — закрытая коммерческая модель. Открытых весов и репозитория на Hugging Face нет. Доступ предоставляется по подписке.

• Уровень компании: независимые разработчики и стартапы (тарифы Free/Pro за $5), растущие компании, запускающие контакт-центры (Startup за $49 / Scale за $299), а также регулируемые предприятия, которым необходимы DPA, BAA и SSO.
• Отрасли: финансовые услуги, здравоохранение, розничная торговля и электронная коммерция, логистика, подбор персонала, поддержка SaaS, потребительские приложения-компаньоны, локализация медиа
• Применения: агенты входящей поддержки, исходящие квалификационные звонки, замена IVR, напоминания о встречах, симуляторы обучения продажам, локализация аудио, голосовой интерфейс внутри продукта

Архитектура

Sonic работает на основе моделей пространства состояний, а не трансформеров. На своей странице запуска Cartesia представляет обычные компромиссы — скорость против естественности, точность против стоимости — как архитектурные, а не неизбежные.

Практический результат — время до первого аудио. Cartesia заявляет о задержке TTS менее 90 мс и задержке транскрипции 100 мс для своей модели преобразования речи в текст Ink-2. В обоих случаях речь идёт о заявленной поставщиком задержке модели, а не об измерениях сквозного времени прохождения запроса.

Интерактивное объяснение

Функции, важные для промышленного использования

Sonic предоставляет элементы управления, рассчитанные на транскрипты агентов, а не на дикторское повествование:

• Встроенные теги выражений. Невербальные выражения, такие как [laughter], можно напрямую добавлять в транскрипт.
• Мгновенное клонирование голоса примерно по 10 секундам аудио.
• Пользовательские словари произношения, включая переопределения в IPA, такие как <<s|ə|ˈ|p|i|n|ə>> для слова subpoena.
• Параметры скорости, громкости и эмоций, доступные через API и интеграции, такие как плагин LiveKit Agents.
• Нативная обработка буквенно-цифровых последовательностей. Номера заказов, телефонные номера и коды подтверждения корректно озвучиваются без предварительной обработки.

В демонстрациях запуска Cartesia показана английская речь с естественными паузами и словами-паразитами, а также переключение между хинди и английским в стиле Hinglish.

Реальная стоимость

Artificial Analysis приводит нормализованную стоимость Sonic 3.6 в размере $49,00 за 1 млн символов. Это вдвое меньше, чем у Eleven v3 от ElevenLabs ($100,00), но значительно выше, чем у Speechify Simba 3.2 — $10,00 при показателе 1 240 Elo.

Cartesia продаёт кредиты, а не символы. Тариф Scale за $299 в месяц включает примерно 10 667 минут TTS и 15 одновременных запросов. Голосовые агенты Line тарифицируются отдельно — $0,06 за минуту.

Главные выводы

• Sonic-3.6 занимает 1-е место в обеих речевых категориях Artificial Analysis — 1 283 Elo в Provider Voice и 1 123 в Controlled Voice.
• Победа в рейтинге Controlled Voice означает, что улучшился сам движок, а не только каталог голосов.
• Модель находится в бета-версии только в API Cartesia; в документации Sonic 3.5 по-прежнему указана как стабильная версия, а партнёры используют версию 3.5.
• Доступна для внедрения в виде размещённого API, но не весов для самостоятельного хостинга; коммерческое использование начинается с тарифа Pro за $5.
• Заявления о задержке (TTFA менее 90 мс) представляют собой заявленную поставщиком задержку модели, поэтому измерьте время полного цикла самостоятельно.
  

---

Ознакомьтесь со страницей проекта Cartesia Sonic, страницей запуска Cartesia, тарифами Cartesia, документацией Cartesia, рейтингом речи Artificial Analysis и @cartesia в X. Все цифры проверены 18 августа 2026 года.. Также подписывайтесь на нас в Twitter и не забудьте присоединиться к нашему сабреддиту ML с более чем 150 тыс. участников и подписаться на нашу рассылку. Постойте! Вы пользуетесь Telegram? теперь вы также можете присоединиться к нам в Telegram.

Хотите стать нашим партнёром для продвижения вашего репозитория GitHub, страницы Hugging Face, релиза продукта, вебинара и т. д.? Свяжитесь с нами