Sonic-3.6 очолив два рейтинги систем синтезу мовлення
Cartesia випустила Sonic-3.6 — нову версію своєї моделі перетворення тексту на мовлення в реальному часі, приблизно через три місяці після Sonic-3.5. Модель посіла перше місце в обох рейтингах мовлення Artificial Analysis: 1 283 Elo у Provider Voice та 1 123 Elo у Controlled Voice. В останньому всі моделі тестують на однакових восьми еталонних голосах. Sonic-3.5 посів друге місце, а ElevenLabs Eleven v3 — третє.
Sonic-3.6 працює на моделях простору станів, а не на трансформерах. Cartesia заявляє час до першого аудіосигналу менш як 90 мілісекунд, але зазначає, що це затримка моделі, а не вимірювання повного шляху від запиту до відповіді. Продукт доступний у бета-версії через розміщений API. Самостійно розгорнути ваги не можна: модель є закритою комерційною системою.
API підтримує теги виразності, клонування голосу приблизно з 10 секунд аудіо, словники вимови та параметри швидкості, гучності й емоцій. Artificial Analysis наводить нормалізовану ціну $49.00 за 1M символів — проти $100.00 для ElevenLabs Eleven v3 і $10.00 для Speechify Simba 3.2. План Scale коштує $299 на місяць і містить близько 10 667 хвилин синтезу та 15 одночасних запитів.
Текст підготовлено ШІ Sakhanda Wire за матеріалом MarkTechPost. Факти, цитати та повний контекст — в оригінальній статті нижче.