Cartesia Sonic

Synteza mowyNiedostępne
od OtherID modelu: cartesia-sonic

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

Status
Niedostępne
Wejście → Wyjście
Tekst → Audio
Deweloper
Other
Zaktualizowano
23 września 2026

Cartesia Sonic jest obecnie niedostępny

Możesz nadal przeczytać szczegóły na tej stronie. Wybierz jedną z dostępnych alternatyw poniżej, aby od razu uruchomić porównywalny model.

Przejdź do alternatyw
01

Porównywalne modele

Wszystkie w tej kategorii
02

Playground

Spróbuj Cartesia Sonic

Wejście i wyjście

Niedostępny

Obecnie niedostępne.

Plac zabaw jest wyłączony. Porównywalne modele znajdziesz w tej samej kategorii: Przeglądaj alternatywy

Spróbuj Cartesia Sonic

0 / 4000

Ustawienia zaawansowane (2)
Wynik
Wygenerowana mowa pojawi się tutaj.

To uruchomienie

Brak ceny – obecnie niedostępne.

Nowy tutaj?

10 darmowych kredytów (0,10 USD) po zarejestrowaniu się przez Google

Dostępne 24 godzin po rejestracji, do 5 uruchomień dziennie i maksymalnie 2 kredytów na uruchomienie. Inne metody logowania uruchamiają się bez kredytów.

03

O Cartesia Sonic

Krótko mówiącStan na 23 września 2026

Cartesia Sonic to model opracowany przez Other w kategorii Synteza mowy. Cartesia Sonic nie jest obecnie dostępny w serwisie Railwail.

Tło

O Cartesia AI

Założona 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.

Odwiedź Cartesia AI

Architektura

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.

Parametry
Undisclosed
Kontekst
24 000 tokenów

Możliwości

  • 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 i licencja

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

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

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

Znane ograniczenia

  • 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

Ceny

Obecnie niedostępne. Dla tego modelu nie ma ceny w tej chwili, dlatego nie można go uruchomić.

05

API

Wywołaj Cartesia Sonic za pomocą klucza API Railwail. Użyj tego ID modelu w żądaniu:

Brak zweryfikowanego przykładu API

Publiczny API przekazuje inny format wejściowy niż wymaga ten model. Użyj placu zabaw powyżej.

06

Specyfikacje

ID modelu
cartesia-sonic
Deweloper
Other
Kategoria
Synteza mowy
Wejście
Tekst
Wyjście
Audio
Formaty wyjścia
MP3, WAV, OPUS
Rozmiar modelu
Undisclosed
Licencja
Proprietary commercial API. Voice clones produced from customer audio remain customer property under the Terms of Service; commercial use is permitted on paid tiers.
Wpis w katalogu zaktualizowany
23 września 2026

Parametry wejściowe

Dane wejściowe i ustawienia ze schematu wejściowego modelu. Przykład w sekcji API pokazuje, które z nich API akceptuje.

  • inputwymagane

    Text to convert to speech

    Typ: Tekst
    Domyślnie: –
    Dozwolone wartości: do 4000 znaków
  • speed
    Typ: Liczba
    Domyślnie: 1
    Dozwolone wartości: 0,5 do 2
  • voice
    Typ: Wybór
    Domyślnie: sonic-default
    Dozwolone wartości: sonic-default, neutral-male, neutral-female, warm-female lub british-male
  • response_format
    Typ: Wybór
    Domyślnie: mp3
    Dozwolone wartości: mp3, wav lub opus

Tagi

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

Przypadki użycia

Do czego się go używa

  • 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

Często zadawane pytania

Co to jest Cartesia Sonic?

Cartesia Sonic to model opracowany przez Other w kategorii Synteza mowy. Jest wymieniony w katalogu Railwail, ale nie może być uruchomiony w tej chwili.

Ile kosztuje Cartesia Sonic w serwisie Railwail?

Cartesia Sonic nie może być uruchomiony w serwisie Railwail w tej chwili, dlatego nie ma aktualnej ceny. Dostępne alternatywy z cenami są wymienione poniżej na tej stronie.

Jakie ustawienia obsługuje Cartesia Sonic?

Zgodnie ze schematem wejściowym, Cartesia Sonic obsługuje te parametry: input (do 4000 znaków), speed (0,5 do 2), voice (sonic-default, neutral-male, neutral-female, warm-female lub british-male) i response_format (mp3, wav lub opus).

Jak szybki jest Cartesia Sonic?

Dla Cartesia Sonic jest jeszcze zbyt mało zmierzonych przebiegów w serwisie Railwail, aby podać czas przebiegu. Zależy to od wejścia, ustawień i obciążenia u dostawcy.

Czy Cartesia Sonic jest lepszy niż AudioLDM 2?

To zależy od zadania. Cartesia Sonic (Other) i AudioLDM 2 (Haohe Liu) to oba modele z kategorii Synteza mowy. Strona porównania pokazuje ich ceny i specyfikacje obok siebie.

Porównaj Cartesia Sonic i AudioLDM 2

Czy mogę używać Cartesia Sonic teraz?

Obecnie niedostępne. Strona pozostaje online; dostępne alternatywy z tej samej kategorii są wymienione poniżej.

Wszystkie modele przez jedno API

Jeden klucz API dla każdego modelu na Railwail. Opłaty pobierane są z przedpłaconych kredytów, 1 kredyt = 0,01 USD.