Cartesiaは、リアルタイムのテキストから音声への変換モデルであるSonic-3.6の最新バージョンをリリースしました。このモデルは現在、Artificial Analysisの音声リーダーボード両方で1位を占めています。

今回のアップデートでは、自然さの向上に重点が置かれ、サブ90msの初音出力遅延を実現するために、トランスフォーマーではなく状態空間モデルを採用しています。

  • Sonic-3.6はProvider Voiceボードで1,283 Elo、Controlled Voiceボードでも1,283 Eloを記録しました。
  • このモデルはCartesiaのホスト型APIを通じてベータ版として利用可能ですが、セルフホスティング用の重みは提供されていません。
  • 主要なプロダクション機能には、インライン表現タグ、10秒間の音声からの即時ボイスクローニング、およびネイティブ英数字サポートが含まれます。
  • Artificial Analysisによると、価格は1M文字あたり$49.00に正規化されており、これはElevenLabs Eleven v3の半分のコストです。

今回のリリースは、低遅延と高い自然さのバランスを取った商用展開可能なストリーミングTTSソリューションを提供し、カスタマーサポートやメディアのローカライズなどのアプリケーションに対応しています。