Cartesia Sonic

Sprogudtale (TTS)Ikke tilgængelig
af OtherModell-ID: cartesia-sonic

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

Status
Ikke tilgængelig
Input → output
Tekst → Lyd
Udvikler
Other
Opdateret
23. september 2026

Cartesia Sonic er i øjeblikket utilgængelig

Du kan stadig læse detaljerne på denne side. Vælg en af de tilgængelige alternativer nedenfor for at køre en sammenlignelig model med det samme.

Gå til alternativer
01

Sammenlignelige modeller

Alle i denne kategori
02

Playground

Prøv Cartesia Sonic

Input & resultat

Derzeit nicht verfügbar

Ikke tilgængelig i øjeblikket.

Playground'en er deaktiveret. Du finder sammenlignelige modeller i samme kategori: Se alternativer

Prøv Cartesia Sonic

0 / 4.000

Avancerede indstillinger (2)
Resultat
Den genererede tale vises her.

Denne kørsel

Ingen pris – ikke tilgængelig i øjeblikket.

Ny her?

10 gratis credits (0,10 US$) når du tilmelder dig med Google

Kan bruges 24 timer efter tilmelding, op til 5 kørsler pr. dag og højst 2 credits pr. kørsel. Andre login-metoder starter uden credits.

03

Om Cartesia Sonic

Kort sagtFra 23. september 2026

Cartesia Sonic er en model af Other i kategorien Sprogudtale (TTS). Cartesia Sonic er i øjeblikket ikke tilgængelig på Railwail.

Baggrund

Om Cartesia AI

Grundlagt 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.

Besøg Cartesia AI

Arkitektur

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.

Parametre
Undisclosed
Kontekst
24.000 tokens

Funktioner

  • 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

Træning og licens

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

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

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

Kendte begrænsninger

  • 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

Priser

Ikke tilgængelig i øjeblikket. Der er i øjeblikket ingen pris for denne model, så den kan ikke køres.

05

API

Kald Cartesia Sonic med din Railwail API-nøgle. Brug dette model-ID i anmodningen:

Intet bekræftet API-eksempel

Den offentlige API sender et andet inputformat end det, som denne model har brug for. Brug playground ovenfor.

06

Specifikationer

Model-ID
cartesia-sonic
Udvikler
Other
Input
Tekst
Output
Lyd
Outputformater
MP3, WAV, OPUS
Modelstørrelse
Undisclosed
Licens
Proprietary commercial API. Voice clones produced from customer audio remain customer property under the Terms of Service; commercial use is permitted on paid tiers.
Katalogelement opdateret
23. september 2026

Inputparametre

Inputs og indstillinger fra modellens inputskema. Eksemplet i API-afsnittet viser, hvilke af dem API'en accepterer.

  • inputpåkrævet

    Text to convert to speech

    Type: Tekst
    Standard: –
    Tilladte værdier: op til 4.000 tegn
  • speed
    Type: Tal
    Standard: 1
    Tilladte værdier: 0,5 til 2
  • voice
    Type: Valg
    Standard: sonic-default
    Tilladte værdier: sonic-default, neutral-male, neutral-female, warm-female eller british-male
  • response_format
    Type: Valg
    Standard: mp3
    Tilladte værdier: mp3, wav eller opus

Tags

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

Anvendelsestilfælde

Hvad det bruges til

  • 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

Ofte stillede spørgsmål

Hvad er Cartesia Sonic?

Cartesia Sonic er en model fra Other i kategorien Sprogudtale (TTS). Den er opført på Railwail, men kan ikke køres i øjeblikket.

Hvad koster Cartesia Sonic på Railwail?

Cartesia Sonic kan ikke køres på Railwail i øjeblikket, så der er ingen aktuel pris. Tilgængelige alternativer med priser er angivet længere nede på denne side.

Hvilke indstillinger understøtter Cartesia Sonic?

Ifølge dens inputskema kender Cartesia Sonic disse parametre: input (op til 4.000 tegn), speed (0,5 til 2), voice (sonic-default, neutral-male, neutral-female, warm-female eller british-male) og response_format (mp3, wav eller opus).

Hvor hurtig er Cartesia Sonic?

Der er endnu ikke nok målte kørsler af Cartesia Sonic på Railwail til at angive en udførelsestid. Det afhænger af inputtet, indstillingerne og belastningen hos provideren.

Er Cartesia Sonic bedre end AudioLDM 2?

Det afhænger af opgaven. Cartesia Sonic (Other) og AudioLDM 2 (Haohe Liu) er begge modeller i kategorien Sprogudtale (TTS). Sammenligningssiden viser deres priser og specifikationer side om side.

Sammenlign Cartesia Sonic og AudioLDM 2

Kan jeg bruge Cartesia Sonic lige nu?

Ikke tilgængelig i øjeblikket. Siden forbliver online; tilgængelige alternativer fra samme kategori er angivet længere nede.

Alle modeller via én API

En API-nøgle til alle modeller på Railwail. Forbrug debiteres fra forudbetalte credits, 1 credit = 0,01 US$.