Cartesia Sonic

Szövegfelolvasás (TTS)Nem elérhető
Other általModell-azonosító: cartesia-sonic

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

Állapot
Nem elérhető
Bemenet → kimenet
Szöveg → Hang
Fejlesztő
Other
Frissítve
2026. szeptember 23.

Cartesia Sonic jelenleg nem elérhető

Az oldal részleteit továbbra is elolvashatja. Az alábbi elérhető alternatívák közül válasszon egy hasonló modell azonnali futtatásához.

Ugrás az alternatívákhoz
01
02

Playground

Próbáld ki: Cartesia Sonic

Bemenet és kimenet

Jelenleg nem elérhető

Jelenleg nem elérhető.

A játszótér letiltva van. Hasonló modelleket találsz ugyanabban a kategóriában: Alternatívák megtekintése

Próbáld ki: Cartesia Sonic

0 / 4000

Speciális beállítások (2)
Eredmény
A generált beszéd itt jelenik meg.

Ez a futtatás

Nincs ár – jelenleg nem elérhető.

Új vagy itt?

10 ingyenes kredit (0,10 USD) Google-fiókkal való regisztrációkor

Használható 24 órával a regisztráció után, naponta legfeljebb 5 futtatás és futtatásonként legfeljebb 2 kredit. Más bejelentkezési módok kreditek nélkül indulnak.

03

A Cartesia Sonic névjegye

Röviden2026. szeptember 23. szerint

A Cartesia Sonic a Other által fejlesztett modell a Szövegfelolvasás (TTS) kategóriában. A Cartesia Sonic jelenleg nem érhető el a Railwail-en.

Háttér

A Cartesia AI névjegye

Alapítva: 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.

Cartesia AI meglátogatása

Architektúra

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.

Paraméterek
Undisclosed
Kontextus
24 000 token

Képességek

  • 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

Képzés és licenc

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

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

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

Ismert korlátozások

  • 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

Árak

Jelenleg nem elérhető. Jelenleg nincs ár ehhez a modellhez, ezért nem futtatható.

05

API

Hívja meg a Cartesia Sonic modellt a Railwail API-kulcsával. Használja ezt a modell-azonosítót a kérésben:

Nincs ellenőrzött API-példa

A nyilvános API más bemeneti formátumot továbbít, mint amit ez a modell igényel. Használja a fenti Playground-ot.

06

Specifikációk

Modell-azonosító
cartesia-sonic
Fejlesztő
Other
Bemenet
Szöveg
Kimenet
Hang
Kimeneti formátumok
MP3, WAV, OPUS
Modell mérete
Undisclosed
Licenc
Proprietary commercial API. Voice clones produced from customer audio remain customer property under the Terms of Service; commercial use is permitted on paid tiers.
Katalógus bejegyzés frissítve
2026. szeptember 23.

Bemeneti paraméterek

A modell bemeneti sémájából származó bemenetek és beállítások. Az API szakaszban szereplő példa mutatja, hogy az API melyiket fogadja el.

  • inputkötelező

    Text to convert to speech

    Típus: Szöveg
    Alapértelmezett: –
    Engedélyezett értékek: legfeljebb 4000 karakter
  • speed
    Típus: Szám
    Alapértelmezett: 1
    Engedélyezett értékek: 0,5 és 2 között
  • voice
    Típus: Választás
    Alapértelmezett: sonic-default
    Engedélyezett értékek: sonic-default, neutral-male, neutral-female, warm-female vagy british-male
  • response_format
    Típus: Választás
    Alapértelmezett: mp3
    Engedélyezett értékek: mp3, wav vagy opus

Címkék

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

Felhasználási esetek

Mire használják

  • 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

Gyakran ismételt kérdések

Mi az a Cartesia Sonic?

A Cartesia Sonic a Other által fejlesztett modell a Szövegfelolvasás (TTS) kategóriában. A Railwail katalógusában szerepel, de jelenleg nem futtatható.

Mennyibe kerül a Cartesia Sonic a Railwail-on?

A Cartesia Sonic jelenleg nem futtatható a Railwail-on, ezért nincs aktuális ár. Az elérhető alternatívák árakkal az oldal alább találhatók.

Milyen beállításokat támogat a Cartesia Sonic?

A bemeneti séma szerint a Cartesia Sonic ezeket a paramétereket ismeri: input (legfeljebb 4000 karakter), speed (0,5 és 2 között), voice (sonic-default, neutral-male, neutral-female, warm-female vagy british-male) és response_format (mp3, wav vagy opus).

Milyen gyors a Cartesia Sonic?

A Cartesia Sonic-nek még nincs elég mért futtatása a Railwail-on ahhoz, hogy futási időt adjunk meg. Ez a bemenettől, a beállításoktól és a szolgáltató terhelésétől függ.

A Cartesia Sonic jobb, mint a AudioLDM 2?

Ez a feladattól függ. A Cartesia Sonic (Other) és a AudioLDM 2 (Haohe Liu) egyaránt modellek a Szövegfelolvasás (TTS) kategóriában. Az összehasonlítás oldal az árakat és specifikációkat egymás mellett mutatja.

Cartesia Sonic és AudioLDM 2 összehasonlítása

Használhatom a Cartesia Sonic-t most?

Jelenleg nem elérhető. Az oldal online marad; az ugyanabból a kategóriából elérhető alternatívák az oldal alább találhatók.

Összes modell egy API-n keresztül

Egy API-kulcs a Railwail összes modelljéhez. A használat előre feltöltött kreditek alapján kerül felszámításra, 1 kredit = 0,01 USD.