A Cartesia oferece em uma única API o texto para fala Sonic em 44 idiomas, a transcrição em streaming do Ink, a clonagem de voz e agentes de voz hospedados, para desenvolvedores que precisam de voz rápida o bastante para chamadas ao vivo.
Já usou esta ferramenta? Avalie-a
Já usou esta ferramenta? Avalie-a
A Cartesia, empresa de IA de voz, vende a desenvolvedores modelos de fala em tempo real e uma plataforma hospedada de agentes de voz, e se apresenta como um laboratório de IA que cria modelos de voz e agentes em tempo real. A Cartesia promove uma única API para geração de fala, transcrição e agentes de voz em produção, rápida o bastante para conversas ao vivo.
A linha de produtos tem três camadas. O Cartesia Sonic é o modelo de texto para fala, o Ink é o modelo de fala para texto, e os agentes gerenciados combinam os dois com um grande modelo de linguagem para conduzir conversas por telefone e dentro de apps. A clonagem de voz funciona sobre o Sonic, e um modificador de voz gratuito no navegador acompanha a API paga.
Os fundadores se conheceram no doutorado no Stanford AI Lab, onde dizem ter inventado os modelos de espaço de estados (SSMs), a arquitetura que a Cartesia usa no lugar dos transformers padrão. A empresa atribui aos SSMs sua velocidade e seu custo; é uma explicação própria, não um resultado medido.
A Cartesia oferece dois níveis de clonagem de voz com IA. Um clone de voz instantâneo começa com 10 segundos de áudio, o Sonic 3.6 e versões mais novas podem usar até 60 segundos para preservar um sotaque, e os arquivos enviados têm limite de 16 MB. Um clone de voz profissional faz o ajuste fino do modelo com pelo menos 30 minutos de um mesmo falante, e o treinamento leva até 3 horas. Cada clone profissional é treinado em um idioma por vez, então uma voz de marca multilíngue precisa de um conjunto de dados gravado à parte para cada idioma.
Os agentes gerenciados juntam o Ink-2, um LLM escolhido pelo cliente e o Sonic-3.6 em um único agente de voz em tempo real que cuida da alternância de turnos, interrupções, streaming de áudio e chamadas de ferramentas. Os agentes podem usar três tipos de ferramentas: de sistema integradas, como encerrar uma chamada; de webhook, que enviam solicitações ao servidor do cliente; e de cliente, que rodam no navegador, no app móvel ou no servidor conectado. A própria Cartesia opera a integração com o LLM, então não é preciso ter conta nem chave de API separadas com um provedor de modelos. Uma estrutura de avaliação integrada acrescenta testes ao vivo, métricas do sistema e análises de chamadas personalizadas.
Pela API, um clone de voz profissional é criado em quatro etapas: criar um conjunto de dados, enviar arquivos de áudio para ele, criar um ajuste fino a partir desse conjunto de dados e depois listar as vozes produzidas pelo ajuste fino.
Os exemplos da Cartesia se concentram em agentes telefônicos e vozes clonadas para mídia.
Como exemplo de escala, a Cartesia cita a Bolna, que, segundo a Cartesia, processa mais de 500.000 chamadas de voz por dia em idiomas indianos sobre sua infraestrutura de baixa latência; é um caso de cliente publicado pelo fornecedor, não uma auditoria independente.
A Cartesia serve para equipes que colocam voz no próprio software, não para quem procura um app de consumo pronto.
É menos indicada para equipes que precisam de transcrição em streaming fora dos cinco idiomas do Ink, para quem espera clonagem de voz no plano Free e para compradores que exigem assinaturas reembolsáveis.
A Cartesia cobra os modelos de voz em créditos e as chamadas de agentes em dólares, e todos os planos incluem assentos ilimitados no espaço de trabalho. Planos mensais conforme registrado em 6 de outubro de 2026:
| Plano | Preço por mês | Créditos por mês | Dólares pré-pagos para agentes | O que o plano acrescenta |
|---|---|---|---|---|
| Free | $0 | 20.000 | $1 | Acesso a texto para fala e fala para texto |
| Pro | $5 | 100.000 | $5 | Licença de uso comercial e clonagem de voz instantânea |
| Startup | $49 | 1.250.000 | $49 | Tudo do Pro mais clonagem de voz profissional |
| Scale | $299 | 8.000.000 | $299 | Suporte prioritário e limites altos de concorrência |
| Enterprise | Personalizado | Personalizado | Personalizado | Preços por volume, concorrência personalizada, DPAs e BAAs, SSO |
No Free, Pro, Startup e Scale, as cotas do Sonic-3.6 equivalem a cerca de 27, 133, 1.667 e 10.667 minutos por mês, com 2, 3, 5 e 15 solicitações simultâneas de texto para fala. As do Ink-2 somam cerca de 1 h 51 min, 9 h 16 min, 115 h 44 min e 740 h 44 min de transcrição, com 8, 12, 20 e 60 solicitações simultâneas.
O site da Cartesia afirma que seus modelos estão em 1º lugar no ranking de uma arena de fala de terceiros e em um ranking de fala para texto. O ranking de texto para fala com vozes de provedores dessa arena independente, baseado em votos de escuta às cegas e registrado em 6 de outubro de 2026, colocava Eleven v4 Turbo (Elo 1334), Eleven v4 (1321) e Qwen-Audio-3.1-TTS-Plus (1292) à frente do Sonic 3.6 (1278), com o Gemini 3.8 Flash TTS (1275) logo atrás. As duas afirmações não batiam nessa data, e esta comparação cobre apenas a visualização de vozes de provedores da arena.
Na transcrição, a Cartesia afirma que o Ink-2 supera Deepgram Flux, Soniox RT-V4, AssemblyAI RT Pro e ElevenLabs Scribe-2-realtime em gravações de linha telefônica, fala com sotaque, áudio ruidoso e teleconferências de resultados. O benchmark é do próprio fornecedor, mas nomeia os modelos de streaming que a Cartesia considera concorrentes diretos.
Sim, em parte. O modificador de voz com IA pode ser testado de graça sem cadastro; as conversões gratuitas têm limite diário, e os envios devem ser arquivos WAV ou MP3 com menos de 15 MB.
Não. Só solicitações bem-sucedidas consomem créditos, e erros não são cobrados.
Sim, com uma etapa extra. Cada clone instantâneo é criado a partir de um idioma, então o clone é feito primeiro no idioma original e outros idiomas são adicionados pela API de adição de sotaques de voz. Cada sotaque de voz adicionado custa 225 créditos.
O endpoint Bytes pode retornar áudio bruto, WAV ou MP3, enquanto os endpoints SSE e WebSocket retornam apenas áudio bruto. As taxas de amostragem suportadas vão de 8.000 a 48.000 Hz.
A Cartesia afirma que sua estrutura de conformidade inclui SOC 2 Type II, elegibilidade para HIPAA com BAAs disponíveis para clientes de saúde e conformidade com o GDPR, com retenção zero de dados disponível para clientes corporativos nos serviços elegíveis.
