Нейросеть Sonic 3.6 возглавила оба рейтинга синтеза речи: вдвое дешевле ElevenLabs

Модель вышла в статусе бета-версии и доступна только через облачный API (программный интерфейс, через который приложение обращается к сервису) Cartesia. Открытых весов нет, скачать и запустить на своём сервере нельзя: это закрытая коммерческая модель, вы арендуете доступ. Документация Cartesia пока указывает Sonic 3.5 как стабильную версию, а партнёры компании работают на 3.5.

Это важная деталь для тех, кто планирует внедрение: бета означает, что API может измениться, а для продакшена разумнее дождаться стабильного релиза.

Что именно улучшилось в Sonic 3.6?

• Первое место в двух рейтингах Artificial Analysis. 1 283 Elo на доске Provider Voice (общий зачёт) и 1 123 Elo на доске Controlled Voice (контролируемый тест). На контролируемой доске второе место у предыдущей Sonic 3.5, третье у ElevenLabs Eleven v3.
• Архитектура на моделях пространства состояний (state space models, SSM), а не на трансформерах. SSM обрабатывают длинные последовательности быстрее: Cartesia заявляет задержку до первого звука менее 90 миллисекунд. Это заявленное время модели, а не реальная задержка от конца до конца, которая зависит от сети и вашего сервера.
• Встроенные теги выражений. Прямо в тексте можно вставить [laughter] или другие невербальные реакции, и модель их воспроизведёт. Полезно для ИИ-агентов (программ, которые ведут диалог самостоятельно) в контакт-центрах.
• Клонирование голоса за 10 секунд аудио. Достаточно короткого образца, чтобы модель заговорила нужным голосом.
• Словари произношения с поддержкой IPA (международного фонетического алфавита). Можно задать, как именно читать нестандартное слово.
• Нативная обработка буквенно-цифровых кодов. Номера заказов, телефоны, коды подтверждения читаются корректно без предварительной обработки.
• Демо показывают английскую речь с естественными паузами, словами-заполнителями, а также переключение между хинди и английским (Hinglish).

Цена: вдвое дешевле ElevenLabs, но не самый дешёвый вариант

По нормализованным данным Artificial Analysis, стоимость Sonic 3.6 составляет $49 за 1 млн символов. Для сравнения из того же источника: ElevenLabs Eleven v3 стоит $100 за 1 млн символов, а Speechify Simba 3.2 обходится в $10 за 1 млн символов при рейтинге 1 240 Elo.

Cartesia продаёт не символы, а кредиты. Тариф Scale за $299 в месяц включает примерно 10 667 минут синтеза речи и 15 одновременных запросов. Голосовые агенты для телефонных линий тарифицируются отдельно: $0,06 за минуту.

Коммерческое использование начинается с тарифа Pro за $5. Есть бесплатный тариф для экспериментов.

Как попробовать?

1. Зарегистрируйтесь на сайте Cartesia и выберите бесплатный или Pro-тариф ($5).
2. Получите API-ключ в личном кабинете и отправьте первый запрос на синтез речи нейросетью через документацию Cartesia (на момент публикации документация ссылается на Sonic 3.5, бета 3.6 доступна через API).
3. Для интеграции в голосового агента используйте плагин LiveKit Agents, который поддерживает параметры скорости, громкости и эмоций.
4. Проверьте реальную задержку в своей инфраструктуре: заявленные менее 90 мс относятся к модели, а не к вашему маршруту от микрофона до динамика.

Есть ли аналоги для русского языка?

Sonic 3.6 пока демонстрирует возможности на английском и Hinglish. Для русскоязычных задач стоит учитывать, что Cartesia не заявляла поддержку русского языка в текущем релизе.

Для контакт-центров и локализации контента на русском языке SaluteSpeech и Yandex SpeechKit остаются основными рабочими инструментами. Если ваши задачи связаны с английским языком или вы строите продукт для международного рынка, Sonic 3.6 по соотношению рейтинга и цены выглядит привлекательно.

Частые вопросы

Можно ли озвучивать тексты на русском языке через Sonic 3.6?

На момент публикации Cartesia не заявляла поддержку русского языка в Sonic 3.6. Демо показывают английскую речь и переключение между хинди и английским. Для русского используйте Yandex SpeechKit или SaluteSpeech.

Чем синтез речи нейросетью на SSM отличается от трансформерной модели?

Модели пространства состояний (SSM) обрабатывают длинные последовательности экономнее по памяти и быстрее, чем классические трансформеры (архитектура, на которой построены GPT и большинство больших языковых моделей). Для синтеза речи это означает меньшую задержку: Cartesia заявляет менее 90 мс до первого звука.

Sonic 3.6 уже стабильна для продакшена?

Нет. Модель выпущена в статусе бета. Документация Cartesia по-прежнему указывает Sonic 3.5 как стабильную, партнёры компании работают на версии 3.5. Для критичных систем разумно тестировать, но не переключать продакшен до стабильного релиза.

Первое место в обоих независимых рейтингах при цене вдвое ниже ближайшего конкурента по качеству делает Sonic 3.6 кандидатом на тестирование для любого проекта с англоязычной озвучкой, но бета-статус и отсутствие русского языка пока ограничивают практическое внедрение.