Cartesia 发布 Sonic-3.6：一款流媒体 TTS 模型，登顶 Artificial Analysis 语音竞技场
内容提要
Cartesia发布Sonic-3.6文本转语音模型，在Artificial Analysis两个语音排行榜均居首，自然度提升显著。该模型基于状态空间模型，时延低于90毫秒，支持即时声音克隆、自定义发音等，以Beta版托管API提供，定价每百万字符49美元，不开放自托管权重。
延伸解读
Controlled Voice 榜的意义
Sonic-3.6 在 Controlled Voice 榜登顶比 Provider Voice 榜更有说服力。该榜单将所有模型克隆到同一组参考音色，排除了音色库的影响，直接比较合成引擎的自然度。Sonic-3.6 领先 Sonic-3.5 和 ElevenLabs Eleven v3，说明其架构改进确实提升了语音质量，而非依赖预设音色的优势。
定价与部署方式
Sonic-3.6 以托管 API 形式提供，不开放自托管权重，意味着用户只能按需租用。定价为每百万字符 49 美元，是 ElevenLabs Eleven v3 的一半，但高于 Speechify Simba 3.2。此外，Cartesia 按额度售卖，Scale 档每月 299 美元，包含约 10,667 分钟 TTS 时长和 15 路并发请求。
时延声明的注意事项
Cartesia 声称 Sonic-3.6 的首音频时延低于 90 毫秒，但这是厂商口径的模型时延，并非实测的端到端往返时间。实际应用中，网络延迟、服务端处理等因素可能影响整体体验。因此，开发者在评估时不应仅依赖官方数据，而应自行测试端到端延迟，以确定是否满足实时交互需求。
Q&A
Cartesia Sonic-3.6在Artificial Analysis语音竞技场的排名如何？
Sonic-3.6在Artificial Analysis的两个语音排行榜上均位列第一：Provider Voice榜获得1283 Elo，Controlled Voice榜获得1123 Elo。
Sonic-3.6的架构是什么？它有什么优势？
Sonic-3.6基于状态空间模型（SSM）而非Transformer架构，Cartesia声称其首音频时延低于90毫秒，这有助于实现低延迟的实时语音合成。
Sonic-3.6支持哪些功能？
Sonic-3.6支持行内表情标签（如[laughter]）、即时声音克隆（约10秒音频）、自定义发音词典（包括IPA覆盖写法）、速度/音量/情感参数调节，以及原生字母数字支持（如订单号、电话号码）。
Sonic-3.6的定价是多少？
Sonic-3.6的归一化定价为每100万字符49美元，是ElevenLabs Eleven v3（100美元）的一半，但高于Speechify Simba 3.2（10美元）。Cartesia按额度售卖，Scale档每月299美元，约含10,667分钟TTS时长和15路并发请求。
Sonic-3.6可以自托管吗？
不可以。Sonic-3.6是闭源商业模型，不提供自托管权重，只能通过Cartesia的托管API以Beta版形式使用。
Sonic-3.6适合哪些应用场景？
Sonic-3.6适用于呼入客服机器人、呼出筛选电话、IVR替代、预约提醒、销售培训模拟器、音频本地化、产品内语音UI等场景，尤其适合智能体对话文本，而非旁白。
