Cartesia ofrece en una sola API la síntesis de voz Sonic en 44 idiomas, la transcripción en streaming de Ink, la clonación de voz y agentes de voz alojados, para desarrolladores que necesitan voz lo bastante rápida para llamadas en directo.
¿Has usado esta herramienta? Valórala
¿Has usado esta herramienta? Valórala
Cartesia, empresa de IA de voz, vende a desarrolladores modelos de voz en tiempo real y una plataforma alojada de agentes de voz, y se define como un laboratorio de IA que crea modelos de voz y agentes en tiempo real. Cartesia promociona una sola API para generar voz, transcribir y poner agentes de voz en producción, lo bastante rápida para conversar en directo.
La línea de productos tiene tres capas. Cartesia Sonic es el modelo de texto a voz, Ink es el de voz a texto y los agentes gestionados combinan ambos con un modelo de lenguaje grande para llevar conversaciones telefónicas y dentro de apps. La clonación de voz se apoya en Sonic, y junto a la API de pago se ofrece un cambiador de voz gratuito en el navegador.
El equipo fundador se conoció durante sus doctorados en el Stanford AI Lab, donde, según dicen, inventaron los modelos de espacio de estados (SSM), la arquitectura que Cartesia usa en lugar de los transformers estándar. La empresa atribuye a los SSM su velocidad y su coste; es su propia explicación, no un resultado medido.
Cartesia ofrece dos niveles de clonación de voz con IA. Un clon de voz instantáneo parte de 10 segundos de audio, Sonic 3.6 y versiones posteriores pueden usar hasta 60 segundos para conservar un acento, y los archivos subidos se limitan a 16 MB. Un clon de voz profesional ajusta el modelo con al menos 30 minutos de un mismo hablante, y el entrenamiento tarda hasta 3 horas. Cada clon profesional se entrena en un solo idioma a la vez, así que una voz de marca multilingüe necesita un conjunto de datos grabado aparte por idioma.
Los agentes gestionados unen Ink-2, un LLM elegido por el cliente y Sonic-3.6 en un único agente de voz en tiempo real que gestiona turnos de palabra, interrupciones, streaming de audio y llamadas a herramientas. Los agentes pueden usar tres tipos de herramientas: de sistema integradas, como finalizar una llamada; webhook, que envían solicitudes al servidor del cliente; y de cliente, que se ejecutan en el navegador, la app móvil o el servidor conectados. Cartesia gestiona ella misma la integración del LLM, así que no hace falta cuenta ni clave de API aparte con un proveedor de modelos. Un marco de evaluación integrado añade pruebas en vivo, métricas del sistema y análisis de llamadas personalizados.
Mediante la API, un clon de voz profesional se crea en cuatro pasos: crear un conjunto de datos, subirle archivos de audio, crear un ajuste fino a partir de ese conjunto de datos y luego listar las voces que produjo el ajuste fino.
Los ejemplos de Cartesia se centran en agentes telefónicos y voces clonadas para medios.
Como muestra de escala, Cartesia cita a Bolna, que según Cartesia gestiona más de 500.000 llamadas de voz diarias en idiomas de la India sobre su infraestructura de baja latencia; es un caso de cliente publicado por el proveedor, no una auditoría independiente.
Cartesia encaja con equipos que integran voz en su propio software, no con personas que buscan una app de consumo ya terminada.
Encaja peor con equipos que necesitan transcripción en streaming fuera de los cinco idiomas de Ink, con quien espere clonación de voz en el plan Free y con compradores que necesitan suscripciones reembolsables.
Cartesia factura los modelos de voz en créditos y las llamadas de agentes en dólares, y todos los planes incluyen puestos ilimitados en el espacio de trabajo. Planes mensuales según la captura del 6 de octubre de 2026:
| Plan | Precio al mes | Créditos al mes | Dólares prepagados para agentes | Qué añade el plan |
|---|---|---|---|---|
| Free | $0 | 20.000 | $1 | Acceso a texto a voz y voz a texto |
| Pro | $5 | 100.000 | $5 | Licencia de uso comercial y clonación de voz instantánea |
| Startup | $49 | 1.250.000 | $49 | Todo lo de Pro más clonación de voz profesional |
| Scale | $299 | 8.000.000 | $299 | Soporte prioritario y límites de concurrencia altos |
| Enterprise | Personalizado | Personalizado | Personalizado | Precios por volumen, concurrencia personalizada, DPA y BAA, SSO |
En Free, Pro, Startup y Scale, las asignaciones de Sonic-3.6 equivalen a unos 27, 133, 1.667 y 10.667 minutos al mes, con 2, 3, 5 y 15 solicitudes simultáneas de texto a voz. Las de Ink-2 suponen cerca de 1 h 51 min, 9 h 16 min, 115 h 44 min y 740 h 44 min de transcripción, con 8, 12, 20 y 60 solicitudes simultáneas.
El sitio de Cartesia afirma que sus modelos son n.º 1 en la clasificación de una arena de voz de terceros y en una clasificación de voz a texto. La clasificación de texto a voz con voces de proveedor de esa arena independiente, basada en votos de escucha a ciegas y capturada el 6 de octubre de 2026, situaba a Eleven v4 Turbo (Elo 1334), Eleven v4 (1321) y Qwen-Audio-3.1-TTS-Plus (1292) por delante de Sonic 3.6 (1278), con Gemini 3.8 Flash TTS (1275) justo detrás. Las dos afirmaciones no coincidían en esa fecha, y esta comparación solo abarca la vista de voces de proveedor de la arena.
En transcripción, Cartesia afirma que Ink-2 supera a Deepgram Flux, Soniox RT-V4, AssemblyAI RT Pro y ElevenLabs Scribe-2-realtime en grabaciones de línea telefónica, habla con acento, audio ruidoso y conferencias de resultados. La prueba comparativa es del propio proveedor, pero nombra los modelos en streaming que Cartesia considera competidores directos.
Sí, en parte. El cambiador de voz con IA se puede probar gratis sin registrarse; las conversiones gratuitas tienen un límite diario y los archivos subidos deben ser WAV o MP3 de menos de 15 MB.
No. Solo las solicitudes correctas consumen créditos, y los errores no se cobran.
Sí, con un paso más. Cada clon instantáneo se crea a partir de un solo idioma, así que primero se crea el clon en su idioma original y luego se añaden otros idiomas mediante la API para añadir acentos de voz. Cada acento de voz añadido cuesta 225 créditos.
El endpoint Bytes puede devolver audio sin procesar, WAV o MP3, mientras que los endpoints SSE y WebSocket solo devuelven audio sin procesar. Las frecuencias de muestreo admitidas van de 8.000 a 48.000 Hz.
Cartesia afirma que su marco de cumplimiento incluye SOC 2 Type II, idoneidad para HIPAA con BAA disponibles para clientes sanitarios y cumplimiento del RGPD, con retención cero de datos disponible para clientes empresariales en los servicios elegibles.
