AI音声が自然さで世界一に

Cartesiaは、リアルタイムテキスト読み上げモデルの最新バージョンであるSonic-3.6をリリースしました。これはSonic-3.5から約3ヶ月後の登場です。今回の新しい変更点は自然さであり、これは独立して検証可能です。Sonic 3.6は現在、Artificial Analysisの音声リーダーボードの両方で1位を獲得しています — Provider Voiceボードで1,283 Elo、Controlled Voiceボードで1,123 Eloです。2番目の結果の方がより重要です。このボードは、すべてのモデルを同じ8つの参照音声にクローンすることで、合成エンジンを音声カタログから分離します。Sonic-3.6がこれをリードし、Sonic-3.5が2位、ElevenLabs Eleven v3が3位となっています。このモデルはtransformersではなくstate space modelsで動作し、Cartesiaは90ms未満のtime-to-first-audioを謳っています。現在ベータ版で利用可能です。展開可能か？はい、ベータ版として、またホスト型APIとして利用可能です。自己ホスト型の重みとしては利用できません。Sonicはクローズドな商用モデルです。オープンな重みやHugging Faceのリポジトリはありません。レンタルして利用します。企業レベル：ソロ開発者やスタートアップ（Free/ Pro $5ティア）、コンタクトセンターを運営するスケールアップ企業（Startup $49 / Scale $299）、DPA、BAA、SSOを必要とする規制対象企業。産業：金融サービス、ヘルスケア、小売およびeコマース、ロジスティクス、採用、SaaSサポート、消費者向けコンパニオンアプリ、メディアローカライゼーション。アプリケーション：インバウンドサポートエージェント、アウトバウンド資格確認コール、IVRの置き換え、アポイントメントリマインダー、セールストレーニングシミュレーター、オーディオローカライゼーション、製品内音声UI。アーキテクチャ：Sonicはtransformersではなくstate space modelsで動作します。Cartesiaのローンチページは、速度と自然さ、精度とコストといった通常のトレードオフを、避けられないものではなくアーキテクチャ上のものとして捉えています。実用的な出力はtime-to-first-audioです。Cartesiaは、TTSのレイテンシが90ms未満であり、Ink-2音声認識モデルのトランスクリプトレイテンシが100msであると述べています。これらは両方ともベンダーが公表したモデルのレイテンシであり、エンドツーエンドの往復測定値ではありません。インタラクティブな説明（function(){ window.addEventListener(