Cartesia Lepaskan Sonic-3.6: Streaming TTS Kini Mendahului Kedua-dua Arena Speech

Cartesia Lepaskan Sonic-3.6: Streaming TTS Kini Mendahului Kedua-dua Arena Speech

Pada 17 Ogos 2026, Cartesia melepaskan Sonic-3.6 dalam beta — cuma tiga bulan selepas Sonic-3.5. Tajuk utama yang boleh disahkan: ketika dilancarkan, Sonic-3.6 berada di kedudukan #1 pada kedua-dua leaderboard speech Artificial Analysis. 1,283 Elo pada Provider Voice board dan 1,123 pada Controlled Voice board (snapshot 18 Ogos 2026). Nombor kedua itu lebih penting. Board itu mengklon setiap model kepada lapan voice rujukan yang sama, mengasingkan synthesis engine daripada voice catalog. Kalau anda mendahului ranking itu, model itu sendiri yang bertambah baik — bukan sekadar library voice yang lebih bagus.

Cartesia tidak akan open-source apa-apa. Sonic-3.6 adalah hosted API, tersedia pada sonic-preview. Tiada weights, tiada repo Hugging Face. Anda sewa.

Apa Yang Berubah Daripada 3.5

Jurang versi cuma tiga bulan, tetapi penambahbaikan menyentuh tempat yang spesifik:

• Naturalness merentasi bahasa. Cartesia nyatakan ada "perubahan ketara dalam naturalness" merentasi bahasa yang disokong.
• Locale control. Field locale dan normalization yang baharu mengasingkan accent voice daripada konvensyen bacaan tarikh, nombor dan mata wang — walaupun bacaan serantau English masih mewarisi konvensyen yang sama buat masa ini.
• English heteronyms. Perkataan seperti "read," "bass," dan "bow" kini diselesaikan dengan betul dalam konteks, menurut dokumentasi model.
• Preview track. Sonic-3.6 dihidangkan melalui preview track (sonic-preview) manakala Sonic 3.5 kekal sebagai default yang stabil.

Seni bina kekal state space models, bukan transformer. Cartesia bentangkan ini sebagai sebab kelebihan latency: sub-90ms time-to-first-audio pada benchmark mereka.

Apa Sebenarnya Yang Diukur oleh Leaderboard

Artificial Analysis menjalankan dua leaderboard TTS berasingan. Memahami perbezaannya penting kalau anda sedang menilai provider:

Provider Voice menguji setiap model dengan voice terbaik vendor sendiri. Ini mengukur keseluruhan pengalaman — kualiti synthesis ditambah voice catalog. Ketika dilancarkan, Sonic-3.6 mendahului di sini dengan 1,283 Elo, di depan Sonic-3.5 dan ElevenLabs Eleven v3.

Controlled Voice adalah perbandingan adil. Setiap model berjalan pada lapan voice rujukan yang sama, jadi kualiti voice adalah pemalar. Satu-satunya pemboleh ubah ialah synthesis engine. Sonic-3.6 mendahului board ini juga pada 1,123 Elo (snapshot 18 Ogos 2026), Sonic-3.5 kedua, ElevenLabs ketiga.

Nombor kedua itulah yang sepatutnya membimbangkan pesaing. Ia bermakna synthesis engine Cartesia — bahagian yang menukar teks kepada audio waveform — memang bertambah baik. Bukan "kami tambah voice yang lebih bagus."

Cara Membaca Dua Nombor Elo

Provider Voice ialah skor berkas: engine campur katalog. Pendahuluan di sana boleh datang daripada voice yang lebih bagus semata-mata. Controlled Voice membuang katalog, jadi pendahuluan di sana ialah dakwaan yang lebih kuat — engine itu sendiri bertambah baik. Satu amaran untuk kedua-duanya: leaderboard langsung berubah apabila undian terkumpul, jadi anggap 1,283 dan 1,123 sebagai snapshot bertarikh (18 Ogos 2026), sama seperti snapshot benchmark yang bergerak bersama harnessnya, bukan penarafan kekal.

Mula Dengan API

Permukaan API agak straightforward. Contoh TypeScript yang minimal:

import { CartesiaClient } from "@cartesia/cartesia-js";

const client = new CartesiaClient({
  apiKey: process.env.CARTESIA_API_KEY,
});

const audio = await client.tts.bytes({
  modelId: "sonic-preview",
  transcript: "Hello from Sonic 3.6. This is streaming text-to-speech.",
  voice: {
    mode: "id",
    id: "820a4f59-ad9b-449c-a45b-480eeadb6773",
  },
  language: "en",
  outputFormat: { container: "raw", encoding: "pcm_f32le", sampleRate: 24000 },
});

// Stream the audio chunks
for await (const chunk of audio) {
  process.stdout.write(chunk);
}

Bertukar dari 3.5? Tukar modelId kepada sonic-preview dan kekal semua sama.

Untuk ekspresi inline, masukkan terus tag ke dalam transcript:

const transcript = `
That's hilarious! [laughter]
But seriously, the order number is 
<spell>A-T-7-2-9-1-4</spell> and your 
confirmation code is <spell>B-X-0-3</spell>.
`;

Panduan prompting Cartesia merangkumi tag gaya <spell> untuk mengeja kod inline — cuma output kedengaran lebih baik sekarang.

Soal Harga

Pada $49 bagi sejuta karakter, Sonic-3.6 berada pada tier yang tertentu. Separuh harga ElevenLabs Eleven v3 pada $100/M, tetapi jauh di atas Speechify Simba 3.2 pada $10/M (yang mencatat 1,240 Elo pada Provider Voice board — kira-kira 43 mata di belakang snapshot pelancaran).

Untuk workload production, Cartesia menjual kredit melalui pelan — lihat halaman harga. Pro bermula pada $5/bulan. Scale pada $299/bulan termasuk kira-kira 10,667 minit TTS dan 15 request serentak. Voice agent melalui produk Line mereka ditagih secara berasingan pada $0.06 seminit.

Perbandingan kos sebenar bergantung pada kes penggunaan anda. Untuk pusat hubungan bervolum tinggi, kelebihan latency secara langsung diterjemahkan kepada panggilan yang lebih pendek dan kos per-interaksi yang lebih rendah. Untuk penciptaan kandungan, jurang kualiti antara 1,283 dan 1,240 Elo mungkin tak berbaloi dengan perbezaan harga 5x.

Apa Ini Bermakna Untuk Pembina Voice Agent

Kalau anda membina voice agent, kepimpinan Sonic-3.6 pada Controlled Voice board itulah nombor yang perlu diperhatikan. Leaderboard itu mengasingkan kualiti synthesis daripada pemilihan voice, yang bermakna engine itu sendiri mengendalikan transkrip agent dengan lebih baik — kod pengesahan, heteronyms, ekspresi inline — tanpa preprocessing.

Produk Line Cartesia sudah membundle Sonic TTS dengan Ink-2 STT (speech-to-text). Pipeline gabungan berjalan pada latency TTS sub-90ms dan latency transkrip 100ms, kedua-duanya vendor-stated. Untuk voice agent masa nyata di mana setiap milisaat masa round-trip itu kritikal, stack itu sangat kompetitif.

Tangkapannya: Sonic-3.6 masih dalam beta. Dokumentasi Cartesia masih menyenaraikan Sonic 3.5 sebagai model yang stabil dan sedia untuk production. Model ID sonic-preview menjejaki beta, jadi kalau anda sedang hantar ke production hari ini, pin kepada sonic-3.5. Kalau anda sedang menilai untuk deployment masa depan, Sonic-3.6 berbaloi untuk diuji sekarang.

Senarai Semak Pin Beta

Sebelum menukar stack voice production kepada beta, uji semula kes sukar dalam artikel ini: heteronym (read/bass/bow), tarikh, dan mata wang — input tepat di mana naik taraf synthesis sama ada terbukti atau memalukan. Dan ingat tradeoff yang dibawa pelancaran ini: dengan API sewa anda dapat engine baharu pada hari ia keluar, tetapi anda juga mewarisi status betanya — tradeoff API sewa berbalik dua arah.

Berkaitan

• Needle 2: Model 14MB Yang Panggil Tools Pada Mana-mana Peranti — Tool calling edge-native yang berjalan sepenuhnya offline.
• Apabila AI Agent Mula Rebut Kuasa — Apa yang berlaku apabila berbilang Claude agent bertarung atas codebase yang sama.

Sumber

• Artificial Analysis: Text to Speech Leaderboard (Provider Voice)
• Artificial Analysis: Controlled Voice Leaderboard
• MarkTechPost: Cartesia ships Sonic-3.6: a streaming TTS model that now leads both Artificial Analysis speech arenas
• Cartesia: Introducing Sonic-3.6 and Ink-2
• Cartesia: Introducing Ink-2: the #1-ranked STT built for voice agents
• Cartesia Docs: Sonic models and language support
• Cartesia Docs: Locale-aware normalization in Sonic
• Cartesia: Cartesia pricing