Cartesia випустила Sonic-3.6: потокову TTS-модель, яка тепер лідирує на обох мовленнєвих аренах Artificial Analysis

Cartesia випустила Sonic-3.6, найновішу версію своєї моделі перетворення тексту на мовлення в реальному часі. Вона з’явилася приблизно через три місяці після Sonic-3.5. Головна нова зміна — природність, і її можна незалежно перевірити. Sonic 3.6 тепер посідає перше місце в обох рейтингах мовлення Artificial Analysis — 1 283 Elo у рейтингу Provider Voice і 1 123 у рейтингу Controlled Voice. Другий результат важливіший. У цьому рейтингу кожну модель відтворюють на однакових восьми еталонних голосах, що дає змогу оцінити саме рушій синтезу, незалежно від каталогу голосів. Sonic-3.6 очолює його, Sonic-3.5 посідає друге місце, а Eleven v3 від ElevenLabs — третє. Модель працює на основі моделей простору станів, а не трансформерів, і, за заявою Cartesia, забезпечує час до першого аудіо менше 90 мс. Вона доступна в бета-версії.

Чи придатна вона для розгортання?

ТАК, вона доступна в бета-версії та як розміщений API. Але не у вигляді ваг для самостійного розгортання.

Sonic — закрита комерційна модель. Відкритих ваг і репозиторію на Hugging Face немає. Ви орендуєте її.

• Рівень компаній: Індивідуальні розробники та стартапи (рівні Free/Pro за $5), компанії, що масштабуються та працюють із контакт-центрами (Startup за $49 / Scale за $299), а також регульовані підприємства, яким потрібні DPA, BAA та SSO.
• Галузі: фінансові послуги, охорона здоров’я, роздрібна торгівля та електронна комерція, логістика, рекрутинг, підтримка SaaS, споживчі застосунки-компаньйони, локалізація медіа
• Застосування: агенти вхідної підтримки, вихідні кваліфікаційні дзвінки, заміна IVR, нагадування про зустрічі, симулятори навчання продажів, аудіолокалізація, голосовий інтерфейс усередині продукту

Архітектура

Sonic працює на основі моделей простору станів, а не трансформерів. На своїй сторінці запуску Cartesia подає звичні компроміси — швидкість проти природності, точність проти вартості — як архітектурні, а не неминучі.

Практичний результат — час до першого аудіо. Cartesia заявляє затримку TTS менше 90 мс і затримку транскрипції 100 мс для своєї моделі перетворення мовлення на текст Ink-2. В обох випадках ідеться про заявлену постачальником затримку моделі, а не про виміряний наскрізний час обміну.

Інтерактивне пояснення

Функції, важливі для виробничого використання

Sonic надає елементи керування, розроблені для транскриптів агентів, а не для дикторського озвучення:

• Вбудовані теги виразності. Невербальні вирази, як-от [сміх], можна безпосередньо додавати до транскрипту.
• Миттєве клонування голосу приблизно з 10 секунд аудіо.
• Власні словники вимови, зокрема перевизначення IPA, наприклад <<s|ə|ˈ|p|i|n|ə>> для слова subpoena.
• Параметри швидкості, гучності та емоцій, доступні через API та інтеграції, як-от плагін LiveKit Agents.
• Вбудована підтримка буквено-цифрових послідовностей. Номери замовлень, телефонні номери та коди підтвердження правильно зачитуються без попередньої обробки.

У демонстраціях запуску Cartesia показано англійське мовлення з природними паузами та словами-паразитами, а також перемикання між гінді та англійською в режимі Hinglish.

Реалії ціноутворення

Artificial Analysis нормалізує вартість Sonic 3.6 до $49,00 за 1 млн символів. Це вдвічі менше, ніж $100,00 за Eleven v3 від ElevenLabs, і значно більше, ніж $10,00 за Speechify Simba 3.2, який має показник 1 240 Elo.

Cartesia продає кредити, а не символи. Тариф Scale за $299 на місяць включає приблизно 10 667 хвилин TTS і 15 одночасних запитів. Голосові агенти Line оплачуються окремо — $0,06 за хвилину.

Основні висновки

• Sonic-3.6 посідає перше місце в обох мовленнєвих рейтингах Artificial Analysis — 1 283 Elo у Provider Voice і 1 123 у Controlled Voice.
• Перемога в рейтингу Controlled означає, що рушій було вдосконалено, а не лише каталог голосів.
• Модель доступна в бета-версії лише через API Cartesia; у документації Sonic 3.5 досі зазначена як стабільна версія, а партнери пропонують 3.5.
• Розгортання можливе як розміщений API, але не як ваги для самостійного розгортання; комерційне використання починається з тарифу Pro за $5.
• Заявлені показники затримки (TTFA менше 90 мс) є заявленою постачальником затримкою моделі, тому вимірюйте власний час повного циклу.
  

---

Перегляньте сторінку проєкту Cartesia Sonic, сторінку запуску Cartesia, ціни Cartesia, документацію Cartesia, мовленнєву арену Artificial Analysis та @cartesia у X. Усі цифри перевірено 18 серпня 2026 року..Також підписуйтеся на нас у Twitter і не забудьте приєднатися до нашого сабреддіту про машинне навчання з понад 150 тисячами учасників та підписатися на нашу розсилку. Стривайте! Ви є в Telegram? тепер ви також можете приєднатися до нас у Telegram.

Потрібно налагодити партнерство з нами для просування вашого репозиторію GitHub, сторінки на Hugging Face, релізу продукту, вебінару тощо? Зв’яжіться з нами