PROVIDER - 低延迟实时语音合成引擎

Cartesia

Cartesia 基于自研状态空间模型 Sonic,主打数百毫秒级实时合成延迟,提供流式接口边生成边播放,支持声音克隆与数十种语言并提供语气情感控制,面向语音 Agent 场景优化;不足是产品线聚焦偏窄、中文音色少于国内厂商。

AI平台 美国 2026.11.19
4.1分

详细说明

优势 5 项

基于自研状态空间模型 Sonic,实时合成延迟可压到 1 秒以内
提供流式接口,可在 1 个连接内持续推送文本并边生成边播放
支持声音克隆与多语种音色,数十种语言可在 1 个账号内切换
提供语气与情感控制参数,1 份文本可表达不同情绪
面向语音 Agent 场景优化,可与 1 套电话会话系统直接对接

不足 4 项

产品线相对聚焦,缺少完整音频后期能力
中文音色数量少于国内厂商
免费额度有限,规模化需按字符计费
生态与文档规模小于头部语音平台

服务商概述

Cartesia 是专注实时语音合成的模型公司,以低延迟音色生成切入语音 Agent 场景。

在 AI 平台分类里,它属于「语音与音频」,重点解决对话式语音的响应速度问题。

核心优势

  • 超低延迟:数百毫秒级
  • 流式生成:边生成边播放
  • 声音克隆:自定义音色
  • 情绪控制:语气可调
  • Agent 友好:电话系统可接

产品生态

平台能力

流式文本转语音、声音克隆、多语种音色库、语气与情感控制、音频格式与采样率配置、用量与密钥管理。

集成

提供 REST 与 WebSocket 接口及多语言 SDK,可接入电话、客服与实时对话应用。

典型场景

语音客服 Agent、实时语音助手、游戏 NPC 配音、有声内容快速生成。

不足之处

  • 功能范围:缺少后期处理
  • 中文音色:数量少于本土
  • 成本结构:规模使用按字符计费
  • 生态规模:文档小于头部平台

适用场景

  • 实时语音对话(★★★★★):延迟优势明显
  • 语音客服 Agent(★★★★☆):可与电话系统对接
  • 中文音色项目(★★★☆☆):需对比本土方案
  • 完整音频制作(★★☆☆☆):需搭配其他工具

价格参考

项目 价格 备注
免费额度 $0 含有限字符数
Pro 按月订阅 更高并发与商用授权
Enterprise 需联系销售 专属容量与支持

常见问题

延迟能低到什么程度?

官方主打数百毫秒级首字节响应,实测受网络与服务规格影响。

支持流式输入吗?

支持,可通过 WebSocket 持续推送文本并实时播放。

能做多语种吗?

支持数十种语言,可在同一账号内切换音色。

适合电话场景吗?

适合,可与电话与会话系统集成,语音 Agent 为主打场景。

代码示例

import requests

r = requests.post(
    "https://api.cartesia.ai/tts/bytes",
    headers={"X-API-Key": "YOUR_API_KEY", "Cartesia-Version": "2024-06-10"},
    json={"model_id": "sonic-2", "transcript": "你好,这里是实时语音合成。", "voice": {"mode": "id", "id": "VOICE_ID"}, "language": "zh", "output_format": {"container": "mp3", "sample_rate": 44100}},
)
open("out.mp3", "wb").write(r.content)
# 查看可用音色
curl -H "X-API-Key: YOUR_API_KEY" -H "Cartesia-Version: 2024-06-10" https://api.cartesia.ai/voices

社区与资源

  • 官方网站:https://cartesia.ai/
  • 官方文档:https://docs.cartesia.ai/
  • 源码仓库:https://github.com/cartesia-ai
前往 Cartesia 官网 → https://cartesia.ai/
访问官网 ↗