Cartesia ha lanzado Sonic-3.6, la versión más nueva de su modelo de conversión de texto a voz en tiempo real. Llega aproximadamente tres meses después de Sonic-3.5. El nuevo cambio es la naturalidad, y éste se puede comprobar de forma independiente. Sonic 3.6 ahora ocupa el puesto número 1 en ambas tablas de clasificación de voz de Análisis Artificial: 1283 Elo en el tablero de Voz del Proveedor y 1123 en el tablero de Voz Controlada. El segundo resultado importa más. Esa placa clona cada modelo en las mismas ocho voces de referencia, lo que aísla el motor de síntesis del catálogo de voces. Sonic-3.6 lo lidera, Sonic-3.5 en segundo lugar y ElevenLabs Eleven v3 en tercer lugar. El modelo se ejecuta en modelos de espacio de estados en lugar de transformadores, y Cartesia indica un tiempo hasta el primer audio inferior a 90 ms. Está disponible en versión beta.
¿Es desplegable?
SÍ, está disponible en versión beta y como API alojada. No como pesos autohospedados.
Sonic es un modelo comercial cerrado. No hay pesos abiertos ni repositorios de Hugging Face. Lo alquilas.
Nivel de empresa: desarrolladores individuales y nuevas empresas (niveles Gratuito/Pro de $5), empresas ampliadas que ejecutan centros de contacto (Inicio $49/Escala $299) y empresas reguladas que necesitan DPA, BAA y SSO. Industrias: servicios financieros, atención médica, venta minorista y comercio electrónico, logística, reclutamiento, soporte SaaS, aplicaciones complementarias para el consumidor, localización de medios Aplicaciones: agentes de soporte entrantes, llamadas de calificación salientes, reemplazo de IVR, recordatorios de citas, simuladores de capacitación en ventas, localización de audio, interfaz de usuario de voz en el producto
La Arquitectura
Sonic se ejecuta en modelos de espacio de estados en lugar de transformadores. La página de lanzamiento de Cartesia enmarca las compensaciones habituales (velocidad versus naturalidad, precisión versus costo) como arquitectónicas, no inevitables.
El resultado práctico es el tiempo hasta el primer audio. Cartesia indica una latencia TTS inferior a 90 ms y una latencia de transcripción de 100 ms para su modelo de voz a texto Ink-2. Ambos son latencia del modelo indicada por el proveedor, no viajes de ida y vuelta medidos de un extremo a otro.
Explicador interactivo
‘+ ”; baresEl.appendChild(d); requestAnimationFrame(function(){ d.querySelector(‘.bfill’).style.width=pct+’%’; }); }); }
[].slice.call(document.querySelectorAll(‘.botón de alternancia’)).forEach(function(b){ b.addEventListener(‘click’,function(){
[].slice.call(document.querySelectorAll(‘.botón de alternancia’)).forEach(function(x){x.classList.remove(‘on’)}); b.classList.add(‘activado’); tablero=b.dataset.b; dibujarBarras(); }); }); dibujarBarras(); /* ================= 3. transcripción ================= */ var S={laugh:0,pause:0,ipa:0,alnum:0,fast:0,loud:0,hinglish:0}; var tEl=document.getElementById(‘tscript’), pEl=document.getElementById(‘params’); var cv=document.getElementById(‘onda’), cx=cv.getContext(‘2d’); función render(){ var s=””; s+= S.hinglish? ‘Aapka order confirm ho gaya hai’: ‘Su pedido está confirmado’; si(S.ipa) s+=’y el <
‘+p.n+’
‘+p.p+’
‘+ ‘
‘+(p.min===Infinito?’personalizado’:’~’+p.min.toLocaleString()+’ min’)+’
‘+p.cc+’ concurrente
‘; planesEl.appendChild(d); }); var P=PLANES[idx]; var adicional = idx===0? “Aún necesitarías Pro o superior antes de enviar algo comercial”. : (idx===4 ? ‘ En este volumen usted está negociando créditos personalizados, simultaneidad y un DPA/BAA.’ : ”); fitEl.innerHTML=’En ‘+m.toLocaleString()+’ minutos/mes el ajuste es ‘+P.n+’ (‘+P.p+ (Pp===’Custom’?”:’/mo’)+’) — ‘+P.note+’.’+extra; } sl.addEventListener(‘entrada’,paintPlans); pintarPlanos(); /* ———- cambio de tamaño automático de iframe ———- */ function resize(){ try{ var h=document.body.offsetHeight+40; if(ventana.parent && ventana.parent!==ventana) window.parent.postMessage({mtpHeight:h},’*’); }catch(e){} } window.addEventListener(‘cargar’,redimensionar); setTimeout(cambiar tamaño,300); setTimeout(cambiar tamaño,900); })();