Cartesia Sonic-3.6 возглавил оба рейтинга Artificial Analysis — новая TTS-модель бьёт рекорды естественности

Sonic-3.6 — обновление флагманской TTS-модели Cartesia, вышедшее спустя три месяца после версии 3.5. Главное изменение — естественность речи, и оно подтверждено независимыми тестами: модель заняла первую строчку на обеих досках лидеров Artificial Analysis — 1283 Elo на Provider Voice и 1123 на Controlled Voice. Последний результат особенно показателен: там все модели прогнали через одни и те же восемь эталонных голосов, что изолирует качество синтеза от каталога голосов. Sonic-3.6 обошёл собственную предыдущую версию и ElevenLabs Eleven v3.

Архитектура модели основана на state space models, а не на трансформерах. Cartesia заявляет время до первого аудио менее 90 мс и 100 мс задержку распознавания для своей STT-модели Ink-2. Правда, это задержки по данным вендора, а не полные end‑to‑end замеры.

Модель доступна в бете как хостингованное API — собственных весов и открытого репозитория нет. Тарифы: бесплатный и Pro за $5 для соло-разработчиков и стартапов, Startup ($49) и Scale ($299) для контакт-центров, Enterprise для регулируемых отраслей с DPA, BAA и SSO. Применение: голосовые ассистенты, IVR, локализация, симуляторы обучения и встроенный голосовой UI.