Sonic-3.6 от Cartesia: новая вершина в синтезе речи и потоковом TTS

Cartesia выпустила Sonic-3.6 — новую итерацию потоковой TTS-модели, спустя три месяца после Sonic-3.5. По данным Marktechpost, изменение в естественности речи замерено независимо: модель занимает первое место по обоим рейтингам площадки Artificial Analysis — 1 283 Elo на доске Provider Voice и 1 123 Elo на Controlled Voice. Для интеграторов это сигнал, что верхушка рейтинга снова сменилась.

Архитектура и замеры латентности

Sonic-3.6 построена на state space models, не на трансформерах. SSM дают линейную сложность по длине последовательности и удерживают стриминговый TTFA в заявленной вилке ниже 90 мс. Это вендорская цифра — latency самой модели, не end-to-end через сетевой стек. Партнёрская STT Ink-2 заявлена на 100 мс на транскрипт. На доске Controlled Voice все участники клонируются на одни и те же восемь референсных голосов, что отвязывает оценку движка от каталога вендора. Sonic-3.6 лидирует, Sonic-3.5 вторая, ElevenLabs Eleven v3 третий. Elo-разрыв с предыдущей ревизией Cartesia измеряется десятками пунктов — достаточный, чтобы пересмотреть выбор провайдера на стороне крупного заказчика.

Деплой, цена и операционные контуры

Модель закрытая. Бета-доступ через API. Открытых весов нет, репозитория на Hugging Face нет, self-hosted недоступен. Продукт полностью коммерческий — аренда вычислений у вендора. Zero-shot клонирование работает от 10 секунд референса. Нормализованная цена в Artificial Analysis: $49 за 1 млн символов. Для сравнения: ElevenLabs Eleven v3 — $100, Speechify Simba 3.2 — $10 при 1 240 Elo. Подписка Scale стоит $299 в месяц и включает около 10 667 TTS-минут и 15 одновременных запросов. Голосовые агенты Line тарифицируются отдельно: $0.06 за минуту. Биллинг идёт в кредитах, не в символах — это меняет экономику на коротких запросах и на длинных агентских сессиях.

Что проверять на инференсе

Демо Cartesia заточены под агентские транскрипты: паузы, филлеры, разговорный английский. Поддерживается переключение Hindi/English в одном потоке (Hinglish) — функция редкая на рынке. Перед переключением основного провайдера стоит прогнать собственные тесты: TTFA на реальном сетевом маршруте через HTTPS и балансировщик, поведение zero-shot клона на 10-секундных срезах с шумом и комнатной реверберацией, стабильность просодии и вокодера на сессиях длиннее пяти минут, деградация TTFA при параллельных запросах в рамках лимита Scale. Контрольная точка — соответствие суб-90мс на проде, а не в синтетике.