Cartesia Sonic

Sprachsyntes (TTS)Inte tillgänglig
av OtherModell-ID: cartesia-sonic

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

Status
Inte tillgänglig
Inmatning → utmatning
Text → Audio
Utvecklare
Other
Uppdaterad
23 september 2026

Cartesia Sonic är för närvarande otillgänglig

Du kan fortfarande läsa detaljerna på denna sida. Välj ett av de tillgängliga alternativen nedan för att köra en jämförbar modell direkt.

Gå till alternativ
01

Jämförbara modeller

Alla i denna kategori
02

Playground

Prova Cartesia Sonic

Inmatning & resultat

Inte tillgänglig för närvarande

Inte tillgänglig för närvarande.

Lekplatsen är inaktiverad. Du hittar jämförbara modeller i samma kategori: Visa alternativ

Prova Cartesia Sonic

0 / 4 000

Avancerade inställningar (2)
Resultat
Det genererade talet visas här.

Denna körning

Inget pris – för närvarande otillgängligt.

Ny här?

10 gratis credits (0,10 US$) när du registrerar dig med Google

Användbar 24 timmar efter registrering, upp till 5 körningar per dag och högst 2 credits per körning. Andra inloggningsmetoder startar utan credits.

03

Om Cartesia Sonic

Kort sagtFrån och med 23 september 2026

Cartesia Sonic är en modell av Other i kategorin Sprachsyntes (TTS). Cartesia Sonic är för närvarande inte tillgänglig på Railwail.

Bakgrund

Om Cartesia AI

Grundat 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.

Besök 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.

Parameter
Undisclosed
Kontext
24 000 tokens

Funktioner

  • 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

Träning & licens

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

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

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

Kända begränsningar

  • 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

Inte tillgänglig för närvarande. Det finns ingen pris för denna modell för närvarande, så den kan inte köras.

05

API

Anropa Cartesia Sonic med din Railwail API-nyckel. Använd detta modell-ID i begäran:

Inget verifierat API-exempel

Det offentliga API:et skickar ett annat inmatningsformat än vad denna modell behöver. Använd lekplatsen ovan.

06

Specifikationer

Modell-ID
cartesia-sonic
Utvecklare
Other
Inmatning
Text
Utmatning
Audio
Utmatningsformat
MP3, WAV, OPUS
Modellstorlek
Undisclosed
Licens
Proprietary commercial API. Voice clones produced from customer audio remain customer property under the Terms of Service; commercial use is permitted on paid tiers.
Kataloginlägg uppdaterat
23 september 2026

Indataparametrar

Inmatningar och inställningar från modellens indataschema. Exemplet i API-avsnittet visar vilka som API:et accepterar.

  • inputobligatorisk

    Text to convert to speech

    Typ: Text
    Standard: –
    Tillåtna värden: upp till 4 000 tecken
  • speed
    Typ: Tal
    Standard: 1
    Tillåtna värden: 0,5 till 2
  • voice
    Typ: Val
    Standard: sonic-default
    Tillåtna värden: sonic-default, neutral-male, neutral-female, warm-female eller british-male
  • response_format
    Typ: Val
    Standard: mp3
    Tillåtna värden: mp3, wav eller opus

Taggar

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

Användningsfall

Vad det används till

  • 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

Vanliga frågor

Vad är Cartesia Sonic?

Cartesia Sonic är en modell av Other i kategorin Sprachsyntes (TTS). Den finns i Railwail-katalogen men kan inte köras för närvarande.

Vad kostar Cartesia Sonic på Railwail?

Cartesia Sonic kan inte köras på Railwail för närvarande, så det finns inget aktuellt pris. Tillgängliga alternativ med priser visas längre ned på denna sida.

Vilka inställningar stöder Cartesia Sonic?

Enligt sitt inmatningsschema känner Cartesia Sonic till dessa parametrar: input (upp till 4 000 tecken), speed (0,5 till 2), voice (sonic-default, neutral-male, neutral-female, warm-female eller british-male) och response_format (mp3, wav eller opus).

Hur snabb är Cartesia Sonic?

Det finns ännu inte tillräckligt många uppmätta körningar av Cartesia Sonic på Railwail för att ange en körningstid. Det beror på inmatningen, inställningarna och belastningen hos leverantören.

Är Cartesia Sonic bättre än AudioLDM 2?

Det beror på uppgiften. Cartesia Sonic (Other) och AudioLDM 2 (Haohe Liu) är båda modeller i kategorin Sprachsyntes (TTS). Jämförelsesidan visar deras priser och specifikationer sida vid sida.

Jämför Cartesia Sonic och AudioLDM 2

Kan jag använda Cartesia Sonic just nu?

Inte tillgänglig för närvarande. Sidan förblir online; tillgängliga alternativ från samma kategori visas längre ned.

Alla modeller via ett API

En API-nyckel för alla modeller på Railwail. Användningen debiteras från förbetald kredit, 1 kredit = 0,01 US$.