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: Sonic-3.6 kini 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. 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 44 bahasa," dengan sokongan baharu untuk Odia dan Urdu.
• Locale code. Hantar en-GB dan 05/04/2026 dibaca sebagai "the fifth of April" bukannya "May fourth." Sebelum ini anda terpaksa workaround dengan mengeja tarikh.
• English heteronyms. Perkataan seperti "read," "bass," dan "bow" kini diselesaikan dengan betul dalam konteks tanpa perlu spell tags.
• Serasi ke belakang. Sonic-3.6 adalah pengganti drop-in untuk Sonic-3.5 — voice ID sama, request schema sama, tiada perubahan kod diperlukan.

Seni bina kekal state space models, bukan transformer. Cartesia bentangkan ini sebagai sebab kelebihan latency: sub-90ms time-to-first-audio pada benchmark mereka, berbanding sistem TTS berasaskan transformer yang biasanya berlegar dalam lingkungan 200–400ms.

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. 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, 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."

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. Changelog mengesahkan keserasian penuh dengan voice ID dan request schema sedia ada.

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 nyatakan tag <spell> masih berfungsi sama — 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).

Untuk workload production, Cartesia menjual kredit melalui pelan. 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 STT 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 boleh berubah tanpa notis, dan tiada SLA pada prestasi. 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.

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.