Cartesia 美国 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。