Cartesia Sonic

Teksto į kalbąNeprieinama
iš OtherModelio ID: cartesia-sonic

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

Būsena
Neprieinama
Įvestis → išvestis
Tekstas → Garsas
Kūrėjas
Other
Atnaujinta
2026 m. rugsėjo 23 d.

Cartesia Sonic šiuo metu neprieinamas

Šiame puslapyje galite perskaityti išsamią informaciją. Norėdami iš karto paleisti panašų modelį, pasirinkite vieną iš žemiau pateiktų prieinamų alternatyvų.

Į alternatyvas
01

Panašūs modeliai

Visi šioje kategorijoje
02

Žaidimų aikštelė

Išbandyti Cartesia Sonic

Įvestis ir rezultatas

Šiuo metu neprieinamas

Šiuo metu nepasiekiama.

Žaidimų aikštelė išjungta. Panašius modelius rasite toje pačioje kategorijoje: Peržiūrėti alternatyvas

Išbandyti Cartesia Sonic

0 / 4 000

Išplėstiniai nustatymai (2)
Rezultatas
Sugeneruota kalba pasirodo čia.

Šis paleidimas

Nėra kainos – šiuo metu neprieinama.

Naujas čia?

10 nemokami kreditai (0,10 USD), kai užsiregistruojate naudodami Google

Galima naudoti 24 valandų po registracijos, iki 5 paleidimų per dieną ir daugiausia 2 kreditų per paleidimą. Kiti prisijungimo būdai pradedami be kreditų.

03

Apie Cartesia Sonic

TrumpaiNuo 2026 m. rugsėjo 23 d.

Cartesia Sonic yra Other modelis iš Teksto į kalbą kategorijos. Cartesia Sonic šiuo metu nėra prieinamas per Railwail.

Fonas

Apie Cartesia AI

Įkurta 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.

Apsilankyti Cartesia AI

Architektūra

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.

Parametrai
Undisclosed
Kontekstas
24 000 žetonų

Galimybės

  • 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

Mokymas ir licencija

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

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

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

Žinomos ribotybės

  • 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

Kainos

Šiuo metu nepasiekiama. Šiuo metu šiam modeliui nėra nustatytos kainos, todėl jo negalima paleisti.

05

API

Iškvieskite Cartesia Sonic naudodami savo Railwail API raktą. Šioje užklausoje naudokite šią modelio ID:

Nėra patikrinto API pavyzdžio

Viešoji API perduoda kitą įvesties formatą nei šis modelis reikalingas. Naudokite aukščiau esančią žaidimų aikštelę.

06

Specifikacijos

Modelio ID
cartesia-sonic
Kūrėjas
Other
Įvestis
Tekstas
Išvestis
Garsas
Išvesties formatai
MP3, WAV, OPUS
Modelio dydis
Undisclosed
Licencija
Proprietary commercial API. Voice clones produced from customer audio remain customer property under the Terms of Service; commercial use is permitted on paid tiers.
Katalogo įrašas atnaujintas
2026 m. rugsėjo 23 d.

Įvesties parametrai

Įvestys ir nustatymai iš modelio įvesties schemos. API sekcijoje pateiktas pavyzdys rodo, kuriuos iš jų priima API.

  • inputprivalomas

    Text to convert to speech

    Tipas: Tekstas
    Numatytasis: –
    Leidžiamos reikšmės: iki 4 000 simbolių
  • speed
    Tipas: Skaičius
    Numatytasis: 1
    Leidžiamos reikšmės: 0,5 iki 2
  • voice
    Tipas: Pasirinkimas
    Numatytasis: sonic-default
    Leidžiamos reikšmės: sonic-default, neutral-male, neutral-female, warm-female ar british-male
  • response_format
    Tipas: Pasirinkimas
    Numatytasis: mp3
    Leidžiamos reikšmės: mp3, wav ar opus

Žymos

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

Panaudojimo atvejai

Kam tai naudojama

  • 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

Dažnai užduodami klausimai

Kas yra Cartesia Sonic?

Cartesia Sonic yra Other modelis iš Teksto į kalbą kategorijos. Jis yra Railwail kataloge, tačiau šiuo metu negali būti paleistas.

Kiek kainuoja Cartesia Sonic Railwail?

Cartesia Sonic šiuo metu negali būti paleistas Railwail, todėl nėra dabartinės kainos. Toliau šiame puslapyje pateikiamos galimos alternatyvos su kainomis.

Kokius nustatymus palaiko Cartesia Sonic?

Pagal jos įvesties schemą, Cartesia Sonic žino šiuos parametrus: input (iki 4 000 simbolių), speed (0,5 iki 2), voice (sonic-default, neutral-male, neutral-female, warm-female ar british-male) ir response_format (mp3, wav ar opus).

Koks yra Cartesia Sonic greitis?

Cartesia Sonic Railwail platformoje dar nėra pakankamai išmatuotų vykdymų, kad būtų galima nurodyti vykdymo laiką. Jis priklauso nuo įvesties, nustatymų ir teikėjo apkrovos.

Ar Cartesia Sonic geriau nei AudioLDM 2?

Tai priklauso nuo užduoties. Cartesia Sonic (Other) ir AudioLDM 2 (Haohe Liu) yra abu modeliai iš Teksto į kalbą kategorijos. Palyginimo puslapyje jų kainos ir specifikacijos rodomos viena šalia kitos.

Palyginti Cartesia Sonic ir AudioLDM 2

Ar dabar galiu naudoti Cartesia Sonic?

Šiuo metu nepasiekiama. Puslapis lieka aktyvus; toliau pateikiamos galimos alternatyvos iš tos pačios kategorijos.

Visi modeliai per vieną API

Vienas API raktas visiems Railwail modeliams. Naudojimas apmokestinamas iš iš anksto nupirktų kreditų, 1 kreditas = 0,01 USD.