Cartesia AI

Cartesia 是一家语音 AI 公司，由斯坦福大学 AI 实验室的研究人员 Albert Gu、Karan Goel、Chris Re 和 Arjun Desai 于 2023 年创立，正是这支团队发明了在机器学习领域广泛使用的 Mamba 状态空间模型（SSM）架构。其旗舰产品是 Sonic，这是一款不基于 Transformer 而是基于 SSM 构建的文本转语音 API。SSM 通过更新压缩的状态向量来处理序列，而不是关注每一个先前的 Token。其实际成果是，标准版 Sonic-3 模型的首字节音频延迟（TTFA）达到了 90ms，而 Sonic Turbo 更是达到了 40ms，使其成为目前可用于实时对话应用的最快的人声级 TTS API。Cartesia 总共筹集了约 $122M，其中在 2025 年 11 月获得了由 Kleiner Perkins、Index Ventures、Lightspeed 和 NVIDIA 投资的 $100M 融资。

目前的生产模型 Sonic-3 支持 42 种语言、约 130 种预设声音，并提供细粒度的韵律控制，包括语速、音高和明确的情感标签。开发者可以直接在文本提示中使用 [laughter] 标签注入自然的笑声。声音克隆仅需 3 秒的源音频即可工作，生成与说话者匹配的声音，并保留口音、节奏和音色特征。除了 TTS，Cartesia 的平台现在还包括 Ink-Whisper（语音转文本）、用于音频转换的 Voice Changer 端点、用于音频编辑的 Infill 端点，以及基于 Sonic 构建的托管语音智能体产品 Line。企业级部署支持本地（on-premise）和端侧（on-device）推理，并符合受监管行业的 SOC-2 和 HIPAA 合规要求。

Cartesia 在 2026 年 4 月的产品现状

Sonic-3 是当前的默认模型。在标准网络条件下测量，从 API 调用到首个音频字节，它能以 90ms 的 TTFA 生成流式音频输出。Turbo 变体将延迟降至 40ms，代价是每次请求有 500 个字符的输入限制，且质量上限较窄。这两种模型都使用 SSM 推理，这意味着音频以播放速度逐个 Token 流式传输，而不是生成完整的片段后再返回。这种原生流式架构正是基于 Cartesia 构建的语音智能体在对话中感觉响应迅速的原因：用户听到 AI 开始说话的时间与人类的反应时间大致相同。

截至 Sonic-3，语言支持涵盖了 42 种带有母语口音的声音，高于最初 Sonic 的 15 种和 Sonic-2 发布时的 15 种。声音定制功能提供了语速（播放速率）、音高偏移、情感调节（平静、愤怒、兴奋、悲伤等）以及笑声注入标签。Pro Voice Cloning（在 Startup 及以上计划中提供）通过简短的音频样本训练说话者模型，并按每字符 1.5 个积分计费，而不是标准的每字符 1 个积分。该平台发布了 99.9% 的正常运行时间 SLA，并声称在其 CDN 部署中拥有全球最快的 P90 延迟。

商业 AI 电话智能体公司 Goodcall 在切换到 Sonic 后的三个月内，部署了 2,217 个独特的语音智能体。他们的 CEO 直接描述了这一成果：

“Sonic 是目前唯一一款模型延迟低于 100 ms 的产品，其性能比第二好的替代方案高出四倍。” - Bob Summers，Goodcall CEO，Cartesia 客户案例研究，2025 年

Cartesia 与 ElevenLabs 和 Resemble AI 的对比定位

2026 年的 TTS 市场大致分为通用内容创建工具和实时智能体基础设施。Cartesia 在后一个领域展开竞争。这三个主要竞争对手之间的机制差异对于做出正确的选择至关重要。

ElevenLabs 运行基于 Transformer 的 TTS。Transformer 推理会关注序列中的每一个先前的 Token，这在长篇叙述质量方面扩展性很好，但会增加每个 Token 的开销。他们的 Flash v2.5 模型达到了约 75ms 的 TTFA，这与 Cartesia Turbo 具有竞争力。然而，ElevenLabs 的高质量层级模型的 TTFA 达到 300ms 或更高，而且他们的声音库要广泛得多：涵盖 70 多种语言的 4,000 多种预设声音，而 Cartesia 只有约 130 种声音和 42 种语言。在对 100 种保留声音进行的盲测偏好测试中，对于对话片段，用户对 Sonic-2 的偏好度为 61.4%，而 ElevenLabs Flash V2 为 38.6%。ElevenLabs 的声音克隆至少需要 10 秒的音频；而 Cartesia 的即时克隆只需 3 秒即可工作。实际的区分在于：ElevenLabs 适用于需要丰富声音库、配音、长篇叙述和多语言内容的场景，在这些场景中语言的广度很重要。而 Cartesia 则适用于实时智能体基础设施，在这些场景中，每一毫秒的延迟都是产品质量的衡量标准。

Resemble AI 采取了不同的架构路径。他们的 Chatterbox Turbo 模型使用了一个 350M 参数的 Transformer 和一个经过蒸馏的单步扩散解码器，将生成过程从 10 个扩散步骤减少到一个。Resemble 的差异化优势在于安全性和真实性：他们在平台中内置了深度伪造检测、音频水印和语音取证工具，使其成为需要证明音频来源的受监管行业的自然选择。Chatterbox 是开源发布的，而 Cartesia 的 Sonic 则不是。Resemble 的延迟基准测试无法与 Cartesia 发布的 TTFA 数据相媲美，他们也没有将速度作为定位主张。两者的比较在于企业安全态势和开源可部署性（Resemble）与实时系统的原始延迟性能（Cartesia）。

“通过使用 Cartesia 的生成式语音 API Sonic，我们增强了 Cresta AI Agent，使其超越了死板的脚本，转而提供富有同理心、类似人类的对话。” - Tim Shi，Cresta 联合创始人兼 CTO，Cartesia 客户案例研究，2025 年

许可与版权现状

Cartesia 的条款从 Pro 计划（按年计费 $4/月）开始赋予音频输出的商业权利。Free 层级将输出限制为个人非商业用途。Pro Voice Cloning 通过提交的音频训练说话者模型，要求用户拥有或有权使用他们提交的音频。该平台没有公布 Sonic 预设声音的训练数据来源，截至 2026 年 4 月，也没有针对 Cartesia 提起公开的训练数据诉讼。

端侧和本地部署选项意味着组织可以在本地运行 Sonic 推理，这避开了受监管行业对数据保留的担忧。Cartesia 宣传其医疗保健语音智能体部署符合 HIPAA 标准，而 Cresta 在 Brinks Home 的联络中心部署证实了其在企业生产环境中的使用。Brinks Home 客户体验高级副总裁 Veronica Moturi 在描述使用 Sonic 的 Cresta 部署结果时指出：“我们的语音 AI 智能体引导客户完成复杂的多步故障排除场景，这些客户的积极反馈令人大开眼界。”

商业权利结构非常简单：支付 Pro 层级或更高版本的费用，生成的音频就归您所有，可用于商业用途。从您自己的录音中训练出来的声音克隆属于您的帐户。Cartesia 不主张对通过其 API 生成的输出音频拥有所有权或权利。

Cartesia 的明显短板

Sonic Turbo 的 500 字符限制是开发者报告最多的挫折。在构建长篇叙述或多轮对话时，如果单个智能体的响应超过 500 个字符，就需要对文本进行分块，管理分块边界以避免单词中间断开，并拼接音频片段。ElevenLabs Flash v2.5 每次请求最多接受 40,000 个字符。对于有声读物制作、播客旁白或任何单个片段较长的应用，这种限制迫使开发者进行竞争对手可以避免的工程工作。

42 种语言的覆盖范围是真实的，但仍然比 ElevenLabs 的 70 多种语言要窄。为东南亚市场、较少见的非洲语言或训练数据有限的方言构建应用的团队会发现存在差距。约 130 种声音的预设声音库也比 ElevenLabs 4,000 多种声音的目录要单薄。需要区域口音变化、不同年龄段声音或游戏和媒体制作中广泛角色覆盖的团队，将面临声音限制，这需要投资于自定义克隆。

Cartesia 是一个开发者 API，而不是一个业务工具。它没有原生的 Salesforce 连接器，没有帮助台工作流集成，也没有开箱即用的呼叫路由。将 Cartesia 描述为其语音层的团队一致指出，它能很好地处理语音，但对周围的应用程序架构没有任何贡献。一种常见的说法是：Cartesia 提供的是发动机，而不是底盘、转向系统或导航系统。构建完整语音智能体的开发者必须独立组装其余部分。

在动态对话环境中，手动情感调整会增加开销。与具有自动韵律检测的平台不同，Cartesia 需要明确的情感标签或手动调整语速/音高。在脚本化系统中，这是可控的；但在响应不可预测的用户输入的生成式对话 AI 中，保持情感控制的准确性需要微调 LLM 提示工程，或者需要一个分类层来决定应用哪个情感标签。

Cartesia 适合哪些人

Cartesia 面向构建实时对话 AI 的开发者，在这些场景中，延迟直接影响产品质量。如果您的应用是语音智能体、电话机器人、游戏中的 AI 虚拟形象，或者是任何用户正在等待语音响应的交互式系统，90ms 和 300ms 的 TTFA 在听觉上是有明显区别的。Goodcall 97% 的通话互动率和 2,217 个部署的智能体代表了低延迟 TTS 所能带来的成果：用户会留在电话线上，因为 AI 感觉就像一个自然的对话伙伴。

运行合规敏感工作负载的医疗保健和金融服务团队将受益于端侧和本地部署选项。没有云数据传输的 HIPAA 合规性是该领域的一个有意义的差异化因素。需要优先支持、高并发和自定义 SLA 的大规模企业会发现 Scale 和 Enterprise 层级非常适合。

如果您的主要需求是用于内容创作的声音多样性和语言广度，请跳过 Cartesia。如果您正在制作多语言播客、将视频内容配音成 50 多种语言，或者需要为创意平台提供 1,000 多种声音的库，ElevenLabs 的目录将更好地为您服务。如果您需要无代码或低代码的语音解决方案，请跳过 Cartesia：它没有面向非技术用户的点击式界面，没有活动构建器，也没有嵌入式播放器。API 就是产品本身。特别是，如果您的用例一次生成的文本片段超过几句话，请跳过 Sonic Turbo，除非您准备好构建和维护一个分块管道。