Sonic-3.6 возглавил два рейтинга систем синтеза речи
Cartesia выпустила Sonic-3.6 — новую версию своей модели преобразования текста в речь в реальном времени, примерно через три месяца после Sonic-3.5. Модель заняла первое место в обоих рейтингах речи Artificial Analysis: 1 283 Elo в Provider Voice и 1 123 Elo в Controlled Voice. В последнем все модели проверяются на одних и тех же восьми эталонных голосах. Sonic-3.5 оказался вторым, а ElevenLabs Eleven v3 — третьим.
Sonic-3.6 построен на моделях пространства состояний, а не на трансформерах. Cartesia заявляет время до первого аудиосигнала менее 90 миллисекунд, однако это показатель задержки самой модели, а не измерение полного времени прохождения запроса. Продукт доступен в бета-версии через размещённый API. Самостоятельно размещаемых весов нет: модель является закрытым коммерческим продуктом.
API поддерживает теги выражений, клонирование голоса примерно по 10 секундам аудио, словари произношения и параметры скорости, громкости и эмоций. Artificial Analysis приводит нормализованную цену $49.00 за 1M символов — против $100.00 у ElevenLabs Eleven v3 и $10.00 у Speechify Simba 3.2. Тариф Scale стоит $299 в месяц и включает около 10 667 минут синтеза речи и 15 одновременных запросов.
Текст подготовлен ИИ Sakhanda Wire по материалу MarkTechPost. Факты, цитаты и полный контекст — в оригинальной статье ниже.