Cartesia Sonic

Převod textu na řečNedostupné
od OtherID modelu: cartesia-sonic

Cartesia's ultra-low-latency TTS (~90ms TTFB). State-space model with voice cloning support.

Stav
Nedostupné
Vstup → výstup
Text → Audio
Vývojář
Other
Aktualizováno
23. září 2026

Cartesia Sonic není momentálně dostupný

Podrobnosti na této stránce si můžete přečíst. Vyberte jednu z dostupných alternativ níže a spusťte porovnatelný model hned.

Na alternativy
01

Srovnatelné modely

Všechny v této kategorii
02

Playground

Vyzkoušet Cartesia Sonic

Vstup a výstup

Momentálně nedostupné

Momentálně nedostupné.

Playground je zakázán. Srovnatelné modely najdete ve stejné kategorii: Zobrazit alternativy

Vyzkoušet Cartesia Sonic

0 / 4 000

Pokročilá nastavení (2)
Výsledek
Vygenerovaná řeč se zobrazí zde.

Tento běh

Bez ceny – momentálně nedostupné.

Nový zde?

10 bezplatných credits (0,10 US$) při registraci přes Google

Použitelné 24 hodin po registraci, až 5 běhů za den a maximálně 2 credits za běh. Ostatní způsoby přihlášení začínají bez credits.

03

O Cartesia Sonic

StručněStav: 23. září 2026

Cartesia Sonic je model od Other v kategorii Převod textu na řeč. Cartesia Sonic není na Railwail v současné době dostupný.

Pozadí

O Cartesia AI

Založeno 2023 · San Francisco, California, USA

Cartesia AI was founded in 2023 by Karan Goel and Albert Gu, the academic team behind the influential state-space model line of research at Stanford and CMU (S4, H3, Mamba, Mamba-2). Co-founders also include Arjun Desai, Brandon Yang and Chris Re (Stanford advisor). The company set out to build voice and multimodal foundation models on a state-space backbone instead of Transformers in order to achieve sub-100 ms latency and stream-friendly inference. Cartesia raised a $27M seed in March 2024 led by Index Ventures with participation from Conviction, A* and Lightspeed, followed by a $64M Series A in October 2024 led by Kleiner Perkins at a reported $325M valuation. Sonic, the company's first product, launched in May 2024 and quickly became one of the lowest-latency commercial TTS systems on the market.

Navštívit Cartesia AI

Architektura

State-space model (Mamba family) text-to-speech with neural codec output

Cartesia Sonic is a streaming text-to-speech model built on the structured state-space modelling (SSM) architecture pioneered by Cartesia's founders (S4, H3, Mamba, Mamba-2). Unlike Transformer-based TTS systems that scale quadratically with sequence length, Sonic uses linear-time SSMs with selective scan, which lets the model maintain a small constant-memory recurrent state and generate audio chunks as text streams in. Cartesia reports a model first-byte latency of around 75-90 ms on their hosted API, which is faster than ElevenLabs Turbo and OpenAI TTS-1. Sonic outputs 24 kHz PCM via a neural codec decoder, supports streaming text input (so it can start speaking before the LLM finishes its sentence) and offers voice cloning from short reference samples (3-30 seconds). Sonic 2 added improved prosody, multilingual coverage (15+ languages) and reduced WER. The system is offered exclusively as a hosted API; weights are not released.

Parametry
Undisclosed
Kontext
24 000 tokenů

Schopnosti

  • Sub-100 ms first-byte latency suitable for real-time voice agents
  • State-space (Mamba-family) backbone with linear-time inference
  • Streaming text input and streaming audio output via WebSocket or gRPC
  • Instant voice cloning from short reference audio
  • Multilingual: English, Spanish, French, German, Portuguese, Mandarin, Japanese and more
  • Emotion and pace controls via inline tags
  • 24 kHz PCM, MP3 and Opus output formats
  • Best for: real-time voice agents, IVR systems, conversational AI, low-latency phone bots

Trénování a licence

Cartesia has not disclosed the training corpus. Public statements describe a 'diverse multilingual speech dataset' with permissioned voice talent for the stock voice library.

Licence: Proprietary commercial API. Voice clones produced from customer audio remain customer property under the Terms of Service; commercial use is permitted on paid tiers.

Bezpečnostní testy: Voice-cloning policy requires explicit consent statements; outputs include an inaudible watermark and audio fingerprinting to detect misuse.

Známá omezení

  • Closed weights, hosted-only
  • Voice clone quality below ElevenLabs Multilingual V2 for nuanced emotional acting
  • Limited SSML / fine-grained prosody control
  • Hard cap of around 24,000 input characters per request
  • Mandarin and Japanese still less polished than English/Spanish
04

Ceny

Momentálně nedostupné. Pro tento model momentálně není cena, takže jej nelze spustit.

05

API

Volejte Cartesia Sonic s vaším API klíčem Railwail. V požadavku použijte toto ID modelu:

Žádný ověřený příklad API

Veřejné API předává jiný formát vstupu, než tento model potřebuje. Použijte playground výše.

06

Specifikace

ID modelu
cartesia-sonic
Vývojář
Other
Vstup
Text
Výstup
Audio
Formáty výstupu
MP3, WAV, OPUS
Velikost modelu
Undisclosed
Licence
Proprietary commercial API. Voice clones produced from customer audio remain customer property under the Terms of Service; commercial use is permitted on paid tiers.
Záznam v katalogu aktualizován
23. září 2026

Vstupní parametry

Vstupy a nastavení ze vstupního schématu modelu. Příklad v sekci API ukazuje, které z nich API přijímá.

  • inputpovinné

    Text to convert to speech

    Typ: Text
    Výchozí: –
    Povolené hodnoty: až 4 000 znaků
  • speed
    Typ: Číslo
    Výchozí: 1
    Povolené hodnoty: 0,5 až 2
  • voice
    Typ: Volba
    Výchozí: sonic-default
    Povolené hodnoty: sonic-default, neutral-male, neutral-female, warm-female nebo british-male
  • response_format
    Typ: Volba
    Výchozí: mp3
    Povolené hodnoty: mp3, wav nebo opus

Štítky

  • cartesia
  • tts
  • low-latency
  • voice-cloning
  • realtime
07

Případy použití

K čemu se používá

  • Real-time voice agents and AI receptionists
  • Low-latency IVR / phone call automation
  • Live narration for video and streaming
  • Voice cloning for branded virtual assistants
  • Streaming TTS chained with LLM output
08

Často kladené otázky

Co je Cartesia Sonic?

Cartesia Sonic je model od Other v kategorii Převod textu na řeč. Je uveden na Railwail, ale momentálně jej nelze spustit.

Kolik stojí Cartesia Sonic na Railwail?

Cartesia Sonic se momentálně na Railwail nedá spustit, takže není aktuální cena. Dostupné alternativy s cenami jsou uvedeny dále na této stránce.

Jaká nastavení Cartesia Sonic podporuje?

Podle schématu vstupu Cartesia Sonic zná tyto parametry: input (až 4 000 znaků), speed (0,5 až 2), voice (sonic-default, neutral-male, neutral-female, warm-female nebo british-male) a response_format (mp3, wav nebo opus).

Jak rychlý je Cartesia Sonic?

Pro Cartesia Sonic je na Railwail zatím příliš málo naměřených spuštění na uvedení doby běhu. Závisí na vstupu, nastavení a zátěži u poskytovatele.

Je Cartesia Sonic lepší než AudioLDM 2?

Záleží na úkolu. Cartesia Sonic (Other) a AudioLDM 2 (Haohe Liu) jsou oba modely v kategorii Převod textu na řeč. Stránka porovnání zobrazuje jejich ceny a specifikace vedle sebe.

Porovnat Cartesia Sonic a AudioLDM 2

Mohu Cartesia Sonic používat hned teď?

Momentálně nedostupné. Stránka zůstává online; dostupné alternativy ze stejné kategorie jsou uvedeny dále.

Všechny modely přes jednu API

Jeden API klíč pro všechny modely na Railwail. Použití se účtuje z předplacených kreditů, 1 kredit = 0,01 US$.