Cartesia Sonic

Konverzia textu na rečNedostupné
od OtherID modelu: cartesia-sonic

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

Stav
Nedostupné
Vstup → výstup
Text → Audio
Vývojár
Other
Aktualizované
23. septembra 2026

Cartesia Sonic nie je momentálne dostupný

Podrobnosti na tejto stránke si môžete prečítať. Vyberte si jednu z dostupných alternatív nižšie a spustite porovnateľný model hneď.

Prejsť na alternatívy
01

Porovnateľné modely

Všetky v tejto kategórii
02

Playground

Vyskúšajte Cartesia Sonic

Vstup a výstup

Momentálne nedostupné

Momentálne nedostupné.

Playground je vypnutý. Porovnateľné modely nájdete v tej istej kategórii: Pozrieť alternatívy

Vyskúšajte Cartesia Sonic

0 / 4 000

Pokročilé nastavenia (2)
Výsledok
Generovaná reč sa objaví tu.

Tento beh

Bez ceny – momentálne nedostupné.

Nový tu?

10 bezplatných credits (0,10 USD) pri registrácii cez Google

Použiteľné 24 hodín po registrácii, až 5 behov za deň a maximálne 2 credits za beh. Ostatné spôsoby prihlásenia sa spúšťajú bez credits.

03

O Cartesia Sonic

StručneK 23. septembra 2026

Cartesia Sonic je model od Other v kategórii Konverzia textu na reč. Cartesia Sonic nie je v súčasnosti dostupný na Railwail.

Pozadie

O Cartesia AI

Založené 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.

Navštíviť Cartesia AI

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.

Parametre
Undisclosed
Kontext
24 000 tokenov

Schopnosti

  • 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

Tréning a licencia

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

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

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

Známe obmedzenia

  • 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

Momentálne nedostupné. V súčasnosti nie je cena za tento model, preto ho nie je možné spustiť.

05

API

Zavolajte Cartesia Sonic s vaším API kľúčom Railwail. V požiadavke použite toto ID modelu:

Žiadny overený príklad API

Verejné API odovzdáva iný formát vstupu, ako potrebuje tento model. Použite hraciu plochu vyššie.

06

Špecifikácie

ID modelu
cartesia-sonic
Vývojár
Other
Vstup
Text
Výstup
Audio
Formáty výstupu
MP3, WAV, OPUS
Veľkosť modelu
Undisclosed
Licencia
Proprietary commercial API. Voice clones produced from customer audio remain customer property under the Terms of Service; commercial use is permitted on paid tiers.
Katalógová položka aktualizovaná
23. septembra 2026

Vstupné parametre

Vstupy a nastavenia zo vstupnej schémy modelu. Príklad v sekcii API ukazuje, ktoré z nich API akceptuje.

  • inputpovinné

    Text to convert to speech

    Typ: Text
    Predvolené: –
    Povolené hodnoty: až 4 000 znakov
  • speed
    Typ: Číslo
    Predvolené: 1
    Povolené hodnoty: 0,5 až 2
  • voice
    Typ: Výber
    Predvolené: sonic-default
    Povolené hodnoty: sonic-default, neutral-male, neutral-female, warm-female alebo british-male
  • response_format
    Typ: Výber
    Predvolené: mp3
    Povolené hodnoty: mp3, wav alebo opus

Značky

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

Prípady použitia

Na čo sa používa

  • 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

Často kladené otázky

Čo je Cartesia Sonic?

Cartesia Sonic je model od Other v kategórii Konverzia textu na reč. Je uvedený na Railwail, ale momentálne ho nie je možné spustiť.

Koľko stojí Cartesia Sonic na Railwail?

Cartesia Sonic nie je momentálne možné spustiť na Railwail, preto nie je aktuálna cena. Dostupné alternatívy s cenami sú uvedené nižšie na tejto stránke.

Ktoré nastavenia podporuje Cartesia Sonic?

Podľa svojej vstupnej schémy Cartesia Sonic pozná tieto parametre: input (až 4 000 znakov), speed (0,5 až 2), voice (sonic-default, neutral-male, neutral-female, warm-female alebo british-male) a response_format (mp3, wav alebo opus).

Ako rýchly je Cartesia Sonic?

Pre Cartesia Sonic je na Railwail zatiaľ príliš málo meraných spustení na určenie doby spustenia. Závisí to od vstupu, nastavení a zaťaženia u poskytovateľa.

Je Cartesia Sonic lepší ako AudioLDM 2?

Závisí to od úlohy. Cartesia Sonic (Other) a AudioLDM 2 (Haohe Liu) sú oba modely v kategórii Konverzia textu na reč. Stránka porovnania zobrazuje ich ceny a špecifikácie vedľa seba.

Porovnať Cartesia Sonic a AudioLDM 2

Môžem Cartesia Sonic používať práve teraz?

Momentálne nedostupné. Stránka zostáva online; dostupné alternatívy z tej istej kategórie sú uvedené nižšie.

Všetky modely cez jedno API

Jeden API kľúč pre všetky modely na Railwail. Použitie sa účtuje z predplateného kreditu, 1 kredit = 0,01 USD.