Cartesia
定位：为实时对话而生的语音全栈
官网的自我描述是「排名第一的实时交互模型，建立在前沿 AI 研究之上」，强调一套接口同时覆盖语音生成、转录与生产级语音智能体，并且「快到足以支撑实时对话」。它给出的第三方依据是 Artificial Analysis 的语音竞技场与语音转文字两个榜单排名第一，这属于官方引用，实际效果建议用自有素材复测。产品线分为三块：Sonic 负责文本转语音，Ink 负责语音转文字，Managed Agents 负责把文本智能体变成能打电话的语音智能体。
深度介绍
Cartesia详细介绍
Sonic：官方称延迟低于 90 毫秒的合成模型
Sonic 是文本转语音模型，官方页面给出的口径是「自然度排名第一、延迟低于 90 毫秒、原生支持 44 种语言」，当前版本站点上标注为 Sonic-3.6。官网把它的能力归纳为七项：自然度、可靠性、速度、可扩展性、多语言、一致性与成本，并强调语音会随上下文调整语气与节奏，而不是逐句独立合成。对实时对话而言，延迟与稳定性通常比单句音质更影响体验，因此评估时建议把「首字延迟」与「长会话中的一致性」分开测量。
Ink：面向语音智能体的流式识别
Ink 是语音转文字模型，官方页面称其在准确率上排名第一，并专门为语音智能体做了两项优化：一是流式输出，转写随说话推进而不是等整段结束；二是语义断句（semantic endpointing），判断用户是否真的说完了，而不只是靠停顿时长。这两点直接影响语音智能体的响应节奏——端点判断过早会打断用户，过晚则显得迟钝。当前版本在官网上标注为 Ink-2，页面提供实时试用。
托管语音智能体：把文本智能体接上电话
Managed Agents 的目标是「把任何文本智能体变成世界级对话智能体，并部署到任何地方」。官网展示的配置界面里可以指定音色与语言、对话模型与温度、以及若干工具（例如查询账户、预约、转接人工），并支持自定义评测与 SIP 中继，说明它面向的是真实电话链路而非仅网页演示。官方称其运行时完全托管，规模可以从零扩到企业级。对已有文本智能体的团队，这条路径的价值在于不必自己实现语音链路里的打断、降噪、断句与并发调度。
行业场景：金融、医疗与政务
官网把落地场景按行业组织，其中金融类给出的是具体用例：对可疑交易做实时外呼核实与步进式身份认证；此外还覆盖医疗与政务，以及对外的客户支持。这些场景的共同点是对延迟、准确率与合规同时敏感——外呼核实需要在通话中即时判断，医疗与政务则涉及数据驻留与审计要求。官方另设客户案例页面汇总采用方的公开信息，评估同类需求时可以先对照这些场景判断自己的匹配度。
技术路线：状态空间模型而非 Transformer
Cartesia 的技术底色与多数语音厂商不同：官网写明其模型建立在状态空间模型（SSM）之上，并把 SSM 称为「面向低延迟、长上下文推理与规模化效率的新基元」，研究页面还列出 Mamba 与 H-Nets 等架构方向。这解释了两件事：为什么它把延迟当作核心指标，以及为什么强调长上下文下的效率。对使用者的实际含义是——如果你的场景是长时通话或多轮交互，这类架构的取舍可能与基于自注意力的方案不同，值得在选型时单独压测。
部署形态：云端、本地与端侧同一套模型
官网的部署章节写得很直接：「在云端、本地与端侧使用同一套模型与智能体」，并说明推理在区域内运行，以同时满足延迟要求、数据驻留义务与合规框架。具体分为三种：云端通过区域化接口调用，保证区域内处理与可用性；本地部署面向自有基础设施；端侧则把推理放到设备上。对跨国业务或有数据出境限制的团队，能否选择区域与部署形态，往往比模型本身的指标更决定方案是否可用。
价格：按额度与智能体分钟计费，不限席位
官方定价页列出的方案为：Free 0 美元，含每月 2 万额度与 1 美元预付智能体额度；Pro 每月 5 美元，含 10 万额度、商业使用许可与即时语音克隆；Startup 每月 49 美元，含 125 万额度与专业语音克隆；Scale 每月 299 美元，含 800 万额度、优先支持与更高并发上限；企业版按需报价，包含定制并发、合规相关协议、单点登录与专属沟通渠道。官方特别说明所有档位都不限工作区席位，计费按实际使用的额度与智能体分钟数计算。
产品特点
核心功能与独有价值
一套接口覆盖合成、识别与智能体
Sonic 负责语音合成、Ink 负责流式识别、Managed Agents 负责把文本智能体接上语音链路，三者共用同一套账号与接口，减少在多个供应商之间拼接语音方案的工作量。
以状态空间模型换取低延迟与长上下文
官方称模型建立在状态空间模型之上，并把 SSM 描述为面向低延迟、长上下文推理与规模化效率的新基元，研究页面同时列出 Mamba 与 H-Nets 等方向。
面向对话的识别细节
Ink 强调流式转写与语义断句：转写随说话推进输出，并通过判断语义是否说完来决定何时响应，避免仅凭停顿时长导致的抢话或迟钝。
云端、本地与端侧三种部署
官方称同一套模型与智能体可在云端、本地与端侧运行，并让推理在区域内执行，以兼顾延迟、数据驻留义务与合规框架，适合对数据出境有要求的行业。
最近动态
重要更新
Sonic-3.6 与 Ink-2（核验时点）
官网当前在文本转语音页面标注 Sonic-3.6，在语音识别页面标注 Ink-2。合成侧的口径是自然度排名第一、延迟低于 90 毫秒、原生支持 44 种语言；识别侧的口径是准确率排名第一，并支持流式输出与语义断句。
定价四档加企业版（核验时点）
定价页当前列出 Free（0 美元、每月 2 万额度与 1 美元预付智能体额度）、Pro（5 美元／月、10 万额度、商业许可与即时克隆）、Startup（49 美元／月、125 万额度与专业克隆）、Scale（299 美元／月、800 万额度与高并发）与企业版，并说明所有档位不限工作区席位。
托管语音智能体与部署形态（核验时点）
官网的智能体页面展示可配置音色、语言、对话模型、温度与工具（含转接人工），并提到自定义评测与 SIP 中继；部署章节说明云端、本地与端侧使用同一套模型与智能体，推理在区域内运行以满足数据驻留与合规要求。
榜单口径来自第三方（核验时点）
官网在多个页面引用 Artificial Analysis 的语音竞技场与语音转文字榜单第一名作为依据。这类榜单会随评测集与时间变化，本页只转述官方引用的口径，实际表现建议以自有语料与真实通话链路复测。
产品总结
Cartesia 是一家做实时语音模型的厂商，官网的自我描述是「排名第一的实时交互模型，建立在前沿 AI 研究之上」，强调用一套接口同时覆盖语音生成、转录与生产级语音智能体，并且快到足以支撑实时对话。产品分三块：Sonic 负责文本转语音，官方给出的口径是自然度排名第一、延迟低于 90 毫秒、原生支持 44 种语言，当前版本标注为 Sonic-3.6；Ink 负责语音转文字，官方称其准确率排名第一，并针对语音智能体做了流式输出与语义断句两项优化，当前版本标注为 Ink-2；Managed Agents 则把文本智能体接上电话链路，支持配置音色、语言、对话模型与工具，并提供自定义评测与 SIP 中继。 技术路线上，Cartesia 的模型建立在状态空间模型（SSM）之上，官网把 SSM 称为面向低延迟、长上下文推理与规模化效率的新基元，研究页面还列出 Mamba 与 H-Nets 等方向——这解释了它为何把延迟与长会话稳定性作为核心指标。官网引用的第三方依据是 Artificial Analysis 的语音竞技场与语音转文字两个榜单的第一名，属于官方口径，实际效果仍应以自有素材和真实通话链路复测。 落地场景上，官网按行业组织，其中金融类的用例最具体：对可疑交易做实时外呼核实与步进式身份认证；此外覆盖医疗、政务与客户支持。部署方面官方称同一套模型与智能体可在云端、本地与端侧运行，并让推理在区域内执行，以同时满足延迟、数据驻留义务与合规框架，这对有数据出境限制的业务尤其重要。 计费方式是按额度与智能体分钟数付费，所有档位不限工作区席位：Free 为 0 美元并含每月 2 万额度与 1 美元预付智能体额度，Pro 每月 5 美元含商业许可与即时语音克隆，Startup 每月 49 美元含专业语音克隆，Scale 每月 299 美元含更高并发上限，企业版按需报价并提供定制并发、合规协议与单点登录。需要注意两点：官网引用的榜单排名与延迟数字来自官方页面，会随评测与版本变化；语音克隆同样涉及声音授权与当地法律，商用前应确认素材权利与平台的验证要求。
- 产品类型
- 实时语音模型与语音智能体
- 支持平台
- REST 与流式 WebSocket 接口 / 官方 Python 与 JavaScript S / 在线试听与调试台 / 托管语音智能体运行时 / 云端区域化推理 / 本地部署与端侧部署选项
- 资费模式
- 免费档每月 2 万额度；Pro 每月 5 美元、Startup 49 美元、Scale 299 美元，企业版按需报价；各档均不限工作区席位。
核验信息
参考文章与数据来源
本页事实来自 Cartesia 官方渠道：官网首页（实时交互模型定位、状态空间模型与 Mamba／H-Nets 研究方向、云端／本地／端侧部署与区域化推理说明、行业场景）、Sonic 与 Ink 产品页（延迟、语言覆盖、榜单引用、七项能力与语义断句说明）、托管语音智能体页面（可配置项、工具、评测与 SIP 中继）、定价页（四档方案与企业版内容、不限席位与计费方式），以及官方文档的快速开始页面。版本、价格与榜单口径核验于 2026 年 9 月 22 日，请以官方当期说明为准。
- 官网Cartesia 官网
- 其他Sonic 文本转语音
- 其他Ink 语音识别
- 其他托管语音智能体
- 官方文档官方文档 · 快速开始
- 其他官方研究页面
- 其他官方客户案例
- 其他官方价格与方案
用户体验调查
Cartesia介绍页面对您是否有帮助？