Cartesia 正式发布了其最新实时文本转语音（TTS）模型 Sonic-3.6。作为 Sonic-3.5 发布仅三个月后的迭代版本，Sonic-3.6 在自然度上实现了显著突破，并在权威评测平台 Artificial Analysis 的两个核心语音排行榜上均位列 #1。该模型基于状态空间模型（SSM）架构而非传统的 Transformer，宣称首音频时间（TTFA）低于 90 毫秒，目前已以测试版形式通过托管 API 提供。
- 地址：https://www.cartesia.ai/sonic
核心突破：引擎级的自然度提升
Sonic-3.6 的最大亮点在于其在 Controlled Voice 排行榜上的领先表现（1,123 Elo）。该榜单将所有模型克隆到相同的八个参考语音上进行测试，从而排除了语音库质量的干扰，直接验证了合成引擎本身的性能。
- 排名对比：Sonic-3.6 (1,123 Elo) > Sonic-3.5 > ElevenLabs Eleven v3 (1,089 Elo)。
- Provider Voice 表现：同样位居榜首，获得 1,283 Elo。
这一结果证明，Sonic-3.6 的优势不仅源于丰富的语音素材，更得益于其底层架构对语音自然度和表达力的根本性改进。
技术架构与性能
- 状态空间模型 (SSM)：摒弃了计算密集的 Transformer 架构，采用 SSM 以实现更高的推理效率。
- 超低延迟：官方宣称 TTFA 低于 90 毫秒，配合其 Ink-2 语音转文本模型（100 毫秒延迟），为构建实时双向语音代理提供了坚实基础。
- 多语言支持：演示中展示了英语、印地语以及 Hinglish（印地语-英语混合）的自然语码转换能力。
面向生产环境的控制功能
Sonic-3.6 专为代理交互场景设计，提供了精细的控制接口：
- 内联表达标签：支持在文本中直接插入
[laughter]等非语言表达指令。 - 即时语音克隆：仅需约 10 秒的参考音频即可生成高保真克隆语音。
- 自定义发音词典：支持 IPA 音标覆盖，确保专业术语（如
subpoena）的准确发音。 - 原生字母数字处理：无需预处理即可正确朗读订单号、电话号码等复杂字符串。
- 情感与参数调节：通过 API 暴露速度、音量及情感参数，支持与 LiveKit Agents 等框架集成。
定价与部署模式
- 部署方式：仅提供托管 API，不支持自托管或下载权重。
- 成本优势：归一化价格约为 $49.00 / 百万字符，仅为 ElevenLabs Eleven v3 ($100.00) 的一半，但高于 Speechify Simba 3.2 ($10.00)。
- 套餐层级：
- Free/Pro ($5)：适合独立开发者。
- Startup ($49) / Scale ($299)：适合成长型企业，Scale 层包含约 10,667 分钟 TTS 及 15 个并发请求。
- 企业级：支持 DPA、BAA 及 SSO，满足金融、医疗等受监管行业需求。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
