Cartesia Sonic

Tekst-til-taleIkke tilgjengelig
av OtherModell-ID: cartesia-sonic

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

Status
Ikke tilgjengelig
Input → output
Tekst → Lyd
Utvikler
Other
Oppdatert
23. september 2026

Cartesia Sonic er for øyeblikket utilgjengelig

Du kan fortsatt lese detaljene på denne siden. Velg ett av de tilgjengelige alternativene nedenfor for å kjøre en sammenlignbar modell med en gang.

Gå til alternativer
01

Sammenlignbare modeller

Alle i denne kategorien
02

Playground

Prøv Cartesia Sonic

Inndata og resultat

Ikke tilgjengelig for øyeblikket

Ikke tilgjengelig for øyeblikket.

Lekeplassen er deaktivert. Du finner sammenlignbare modeller i samme kategori: Se alternativer

Prøv Cartesia Sonic

0 / 4 000

Avanserte innstillinger (2)
Resultat
Den genererte talen vises her.

Denne kjøringen

Ingen pris – ikke tilgjengelig for øyeblikket.

Ny her?

10 gratis credits (0,10 USD) når du registrerer deg med Google

Kan brukes 24 timer etter registrering, opptil 5 kjøringer per dag og maksimalt 2 credits per kjøring. Andre påloggingsmetoder starter uten credits.

03

Om Cartesia Sonic

Kort sagtPer 23. september 2026

Cartesia Sonic er en modell fra Other i kategorien Tekst-til-tale. Cartesia Sonic er for øyeblikket ikke tilgjengelig på Railwail.

Bakgrunn

Om Cartesia AI

Grunnlagt 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.

Besøk 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.

Parametere
Undisclosed
Kontekst
24 000 tokens

Evner

  • 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

Trening og lisens

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

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

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

Kjente begrensninger

  • 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 tilgjengelig for øyeblikket. Det er ingen pris for denne modellen for øyeblikket, så den kan ikke kjøres.

05

API

Ring Cartesia Sonic med din Railwail API-nøkkel. Bruk denne modell-IDen i forespørselen:

Ingen verifisert API-eksempel

Det offentlige API-et sender et annet inngangsformat enn det denne modellen trenger. Bruk lekeplassen ovenfor.

06

Spesifikasjoner

Modell-ID
cartesia-sonic
Utvikler
Other
Inndata
Tekst
Utdata
Lyd
Utdataformater
MP3, WAV, OPUS
Modellstørrelse
Undisclosed
Lisens
Proprietary commercial API. Voice clones produced from customer audio remain customer property under the Terms of Service; commercial use is permitted on paid tiers.
Katalogoppføring oppdatert
23. september 2026

Inndataparametere

Inndataer og innstillinger fra modellens inndataskjema. Eksemplet i API-delen viser hvilke av dem APIen godtar.

  • inputobligatorisk

    Text to convert to speech

    Type: Tekst
    Standard: –
    Tillatte verdier: opptil 4 000 tegn
  • speed
    Type: Tall
    Standard: 1
    Tillatte verdier: 0,5 til 2
  • voice
    Type: Valg
    Standard: sonic-default
    Tillatte verdier: sonic-default, neutral-male, neutral-female, warm-female eller british-male
  • response_format
    Type: Valg
    Standard: mp3
    Tillatte verdier: mp3, wav eller opus

Merkelapper

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

Brukstilfeller

Hva det brukes 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 stilte spørsmål

Hva er Cartesia Sonic?

Cartesia Sonic er en modell fra Other i kategorien Tekst-til-tale. Den er oppført på Railwail, men kan ikke kjøres for øyeblikket.

Hvor mye koster Cartesia Sonic på Railwail?

Cartesia Sonic kan ikke kjøres på Railwail for øyeblikket, så det finnes ingen gjeldende pris. Tilgjengelige alternativer med priser er oppført lenger ned på denne siden.

Hvilke innstillinger støtter Cartesia Sonic?

I henhold til inndataskjemaet kjenner Cartesia Sonic disse parametrene: input (opptil 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 rask er Cartesia Sonic?

Det finnes ennå ikke nok målte kjøringer av Cartesia Sonic på Railwail til å angi en kjøretid. Det avhenger av inndataene, innstillingene og belastningen hos leverandøren.

Er Cartesia Sonic bedre enn AudioLDM 2?

Det avhenger av oppgaven. Cartesia Sonic (Other) og AudioLDM 2 (Haohe Liu) er begge modeller i kategorien Tekst-til-tale. Sammenligningssiden viser prisene og spesifikasjonene deres side ved side.

Sammenlign Cartesia Sonic og AudioLDM 2

Kan jeg bruke Cartesia Sonic akkurat nå?

Ikke tilgjengelig for øyeblikket. Siden forblir online; tilgjengelige alternativer fra samme kategori er oppført lenger ned.

Alle modeller gjennom én API

Én API-nøkkel for alle modeller på Railwail. Bruk belastes fra forhåndsbetalt kreditt, 1 kreditt = 0,01 USD.