Cartesia Sonic

Σύνθεση ομιλίαςΜη διαθέσιμο
από OtherΑναγνωριστικό μοντέλου: cartesia-sonic

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

Κατάσταση
Μη διαθέσιμο
Είσοδος → Έξοδος
Κείμενο → Ήχος
Προγραμματιστής
Other
Ενημερώθηκε
23 Σεπτεμβρίου 2026

Το Cartesia Sonic δεν είναι διαθέσιμο αυτή τη στιγμή

Μπορείτε να διαβάσετε τις λεπτομέρειες σε αυτήν τη σελίδα. Επιλέξτε μία από τις διαθέσιμες εναλλακτικές λύσεις παρακάτω για να εκτελέσετε αμέσως ένα συγκρίσιμο μοντέλο.

Μετάβαση στις εναλλακτικές λύσεις
01

Συγκρίσιμα μοντέλα

Όλα σε αυτήν την κατηγορία
02

Playground

Δοκιμάστε Cartesia Sonic

Είσοδος & Έξοδος

Προς το παρόν μη διαθέσιμο

Προς το παρόν μη διαθέσιμο.

Το playground είναι απενεργοποιημένο. Μπορείτε να βρείτε συγκρίσιμα μοντέλα στην ίδια κατηγορία: Περιήγηση εναλλακτικών λύσεων

Δοκιμάστε Cartesia Sonic

0 / 4.000

Προηγμένες ρυθμίσεις (2)
Αποτέλεσμα
Η δημιουργημένη ομιλία εμφανίζεται εδώ.

Αυτή η εκτέλεση

Χωρίς τιμή – προς το παρόν μη διαθέσιμο.

Νέος εδώ;

10 δωρεάν πιστωτικές μονάδες (0,10 $) όταν εγγραφείς με Google

Χρησιμοποιήσιμο 24 ώρες μετά την εγγραφή, έως 5 εκτελέσεις ανά ημέρα και το πολύ 2 πιστωτικές μονάδες ανά εκτέλεση. Άλλες μέθοδοι σύνδεσης ξεκινούν χωρίς πιστωτικές μονάδες.

03

Σχετικά με το Cartesia Sonic

ΣύντομαΗμερομηνία: 23 Σεπτεμβρίου 2026

Το Cartesia Sonic είναι ένα μοντέλο του Other στην κατηγορία Σύνθεση ομιλίας. Το Cartesia Sonic δεν είναι διαθέσιμο στο Railwail αυτή τη στιγμή.

Φόντο

Σχετικά με Cartesia AI

Ιδρύθηκε 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.

Επισκεφθείτε Cartesia AI

Αρχιτεκτονική

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.

Παράμετροι
Undisclosed
Περιεχόμενο
24.000 tokens

Δυνατότητες

  • 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

Εκπαίδευση & άδεια

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

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

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

Γνωστοί περιορισμοί

  • 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

Τιμολόγηση

Προς το παρόν μη διαθέσιμο. Δεν υπάρχει τιμή για αυτό το μοντέλο αυτή τη στιγμή, επομένως δεν μπορεί να εκτελεστεί.

05

API

Καλέστε το Cartesia Sonic με το κλειδί Railwail API. Χρησιμοποιήστε αυτό το ID μοντέλου στο αίτημα:

Κανένα επαληθευμένο παράδειγμα API

Το δημόσιο API περνά μια διαφορετική μορφή εισόδου από αυτή που χρειάζεται αυτό το μοντέλο. Χρησιμοποιήστε το playground παραπάνω.

06

Προδιαγραφές

ID μοντέλου
cartesia-sonic
Ανάπτυξη
Other
Είσοδος
Κείμενο
Έξοδος
Ήχος
Μορφές εξόδου
MP3, WAV, OPUS
Μέγεθος μοντέλου
Undisclosed
Άδεια
Proprietary commercial API. Voice clones produced from customer audio remain customer property under the Terms of Service; commercial use is permitted on paid tiers.
Καταχώρηση καταλόγου ενημερώθηκε
23 Σεπτεμβρίου 2026

Παράμετροι εισόδου

Εισόδους και ρυθμίσεις από το σχήμα εισόδου του μοντέλου. Το παράδειγμα στην ενότητα API δείχνει ποιες από αυτές δέχεται το API.

  • inputΥποχρεωτικό

    Text to convert to speech

    Τύπος: Κείμενο
    Προεπιλογή: –
    Επιτρεπόμενες τιμές: Έως 4.000 χαρακτήρες
  • speed
    Τύπος: Αριθμός
    Προεπιλογή: 1
    Επιτρεπόμενες τιμές: 0,5 έως 2
  • voice
    Τύπος: Επιλογή
    Προεπιλογή: sonic-default
    Επιτρεπόμενες τιμές: sonic-default, neutral-male, neutral-female, warm-female ή british-male
  • response_format
    Τύπος: Επιλογή
    Προεπιλογή: mp3
    Επιτρεπόμενες τιμές: mp3, wav ή opus

Ετικέτες

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

Περιπτώσεις χρήσης

Για τι χρησιμοποιείται

  • 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

Συχνές ερωτήσεις

Τι είναι Cartesia Sonic;

Το Cartesia Sonic είναι ένα μοντέλο του Other στην κατηγορία Σύνθεση ομιλίας. Είναι καταχωρημένο στο Railwail αλλά δεν μπορεί να εκτελεστεί αυτή τη στιγμή.

Πόσο κοστίζει το Cartesia Sonic στο Railwail;

Το Cartesia Sonic δεν μπορεί να εκτελεστεί στο Railwail αυτή τη στιγμή, επομένως δεν υπάρχει τρέχουσα τιμή. Διαθέσιμες εναλλακτικές λύσεις με τιμές παρατίθενται παρακάτω σε αυτήν τη σελίδα.

Ποιες ρυθμίσεις υποστηρίζει το Cartesia Sonic;

Σύμφωνα με το σχήμα εισόδου του, το Cartesia Sonic γνωρίζει αυτές τις παραμέτρους: input (Έως 4.000 χαρακτήρες), speed (0,5 έως 2), voice (sonic-default, neutral-male, neutral-female, warm-female ή british-male) και response_format (mp3, wav ή opus).

Πόσο γρήγορο είναι το Cartesia Sonic;

Δεν υπάρχουν αρκετές μετρημένες εκτελέσεις του Cartesia Sonic στο Railwail ακόμα για να δηλωθεί ένας χρόνος εκτέλεσης. Εξαρτάται από την είσοδο, τις ρυθμίσεις και το φορτίο στον πάροχο.

Είναι το Cartesia Sonic καλύτερο από το AudioLDM 2;

Αυτό εξαρτάται από την εργασία. Το Cartesia Sonic (Other) και το AudioLDM 2 (Haohe Liu) είναι και τα δύο μοντέλα στην κατηγορία Σύνθεση ομιλίας. Η σελίδα σύγκρισης δείχνει τις τιμές και τις προδιαγραφές τους παράλληλα.

Σύγκριση Cartesia Sonic και AudioLDM 2

Μπορώ να χρησιμοποιήσω το Cartesia Sonic τώρα;

Προς το παρόν μη διαθέσιμο. Η σελίδα παραμένει ενεργή· διαθέσιμες εναλλακτικές λύσεις από την ίδια κατηγορία παρατίθενται παρακάτω.

Όλα τα μοντέλα μέσω ενός API

Ένα κλειδί API για κάθε μοντέλο στο Railwail. Η χρήση χρεώνεται από προπληρωμένα πιστωτικά, 1 πιστωτικό = 0,01 $.