Cartesia Sonic-3.6 登上 Artificial Analysis 兩大語音競技場冠軍

Cartesia 於 8 月 18 日發布最新即時文字轉語音(TTS)模型 Sonic-3.6,距離上一代 Sonic-3.5 僅約三個月。這次更新的核心賣点是「自然度」——而且這回有獨立評測背書:Sonic 3.6 目前同時霸佔 Artificial Analysis 兩大語音排行榜的第一名,在 Provider Voice 榜拿下 1,283 Elo,在 Controlled Voice 榜也居冠,第二名是自家前代 Sonic-3.5,第三名則是 ElevenLabs 的 Eleven v3。

在每家語音廠商都自稱「擬真如真人」的市場裡,獨立競技場的全面制霸是少見而具體的訊號。而其中第二個冠軍,其實比第一個更有意義。

Controlled Voice 排行榜才是真正的重點

Artificial Analysis 經營兩個不同的語音競技場。Provider Voice Arena 讓各家模型使用自己的原生語音庫——這意味著一個漂亮的人物聲音資產庫,可以掩蓋平庸的合成引擎。Controlled Voice Arena 嚴格得多:所有模型都被複製到同樣八個參考聲音上,把「合成引擎」與「聲音庫」徹底隔離。當聲音條件拉平後,Elo 的差距反映的就是引擎本身的功力。

Sonic 3.6 在這個受控榜上以約 1,123 至 1,144 Elo 領先(數字會隨投票累積浮動),累積出場超過 1,300 次,Sonic-3.5 第二、Eleven v3 第三。換句話說:這個模型變強的是「成為一個聲音」的能力,而不只是借用了更好聽的聲音庫。Artificial Analysis 的官方摘要目前給 Sonic 3.6 全部 98 個模型中最高的 1,285 Quality Elo,並將它與阿里巴巴的 Qwen-Audio-3.0-TTS-Plus、Speechify 的 Simba 3.2 並列為「品質-價格前緣」上的模型。

狀態空間模型,而非 Transformer

架構上,Sonic 建立在狀態空間模型(SSM)而非 Transformer 之上——這是 Cartesia 自多倫多大學研究起家以來的一貫賭注。Transformer 的注意力機制需要回頭檢視整個序列,而 SSM 只維護一個固定大小的運行狀態,讓每個 token 的計算成本不隨上下文增長而膨脹。對串流音訊來說,這直接轉化為速度:Cartesia 宣稱 Sonic-3.6 的首音延遲(time-to-first-audio)低於 90ms,搭配的 Ink-2 語音轉文字模型則提供約 100ms 的轉錄延遲與原生輪替偵測(turn detection)。

不過評估時要留意:這些是廠商自行申報的「模型延遲」,不是實測的端對端往返時間。前代模型的獨立實測(含網路時間)首音中位數約 128ms——依然很快,但導入前請用自己的工作負載實測。

為語音 Agent 而設計,不是為旁白配音

這次發布的各項功能,明顯是衝著語音代理人管線而來,而非一次性配音:

• 行內表情標記——像 [laughter] 這類非語言表達可以直接寫進文稿,模型自然演繹。
• 即時聲音複製——只需約 10 秒音訊。
• 自訂發音詞典——支援 IPA 覆寫,例如用 <<s|ə|ˈ|p|i|n|ə>> 指定 “subpoena” 的念法。
• 速度、音量與情緒參數——透過 API 與 LiveKit Agents 外掛等整合直接控制。
• 原生支援英數混讀——訂單編號、電話號碼、驗證碼不需預處理就能正確朗讀。
• 支援 44 種語言——發表示範展示英文的自然停頓與口語填充詞,以及印地語與英語混用的 Hinglish 代碼轉換(code-switching)。

最後一點值得注意:語言混用向來是 TTS 系統的罩門,而印度等市場的多語 Agent 部署成敗正繫於此。

定價:ElevenLabs 的一半,但不算便宜

以 Artificial Analysis 的標準化換算,Sonic 3.6 為每百萬字元 49 美元——是 ElevenLabs Eleven v3(100 美元)的一半,但遠高於 Speechify Simba 3.2 的 10 美元(1,240 Elo)。Cartesia 賣的是點數而非原始字元:每月 299 美元的 Scale 方案約含 10,667 分鐘 TTS 額度與 15 個併發請求,外線語音代理人另按每分鐘 0.06 美元計費。

導入前該知道的但書

Sonic-3.6 目前僅以 beta 版形式透過託管 API 提供。沒有開放權重、沒有自架選項——你只能租用。穩定版文件仍列 Sonic 3.5 為主力,第三方合作夥伴(如 AWS SageMaker JumpStart)目前也只搭載舊版。方案從個人開發者的 Free / 5 美元 Pro,到 49 美元 Startup、299 美元 Scale(適合聯絡中心規模),受監管企業另有 DPA、BAA 與 SSO 支援。

競爭態勢也在快速收緊。品質-價格前緣上已有阿里巴巴 Qwen-Audio-3.0-TTS-Plus 這類對手,開源權重模型則不斷從下方擠壓價格。Sonic-3.6 的雙榜稱霸是當今類別中最強的品質訊號——但以 2026 年 TTS 的演進速度,這種領先歷史上大約只能維持一季。

對於同時需要自然度與低於 100ms 延遲的即時語音 Agent 團隊來說,Sonic-3.6 現在成了必須超越的基準線。對其他人而言,更有意思的訊號其實是架構層面的:SSM 賭注持續在 Transformer 吃癟的地方開花結果——串流、低延遲,而現在,連自然度也得到了實證。