Cartesia

Cartesia 是什麼？

Cartesia 是一家語音 AI 公司，向開發者銷售即時語音模型與代管式語音代理平台，並自稱為打造即時語音模型與代理的 AI 實驗室。Cartesia 主打用一個 API 完成語音生成、轉錄與正式上線等級的語音代理，速度足以應付即時對話。

產品線分成三層。Cartesia Sonic 是文字轉語音模型，Ink 是語音轉文字模型，代管代理則把兩者與一個大型語言模型結合，處理電話與應用程式內的對話。聲音複製建立在 Sonic 之上；付費 API 之外，另有一款免費的瀏覽器變聲工具。

創辦團隊在史丹佛人工智慧實驗室攻讀博士時相識，他們表示自己在那裡發明了狀態空間模型（SSM），也就是 Cartesia 用來取代標準 Transformer 的架構。公司把自身的速度與成本歸功於 SSM，這是它自己的解釋，並非實測結果。

核心功能

Sonic 文字轉語音

• 44 種語言：Sonic 3.6 被描述為 Cartesia 最快、最自然的文字轉語音模型，原生支援 44 種語言。
• 延遲：Cartesia 表示 Sonic 的模型延遲低於 90 毫秒，串流輸出可在完整回應生成前就開始播放。
• 富有表現力的演繹：Sonic 預設會解讀文稿中的情緒潛台詞並調整演繹方式，笑聲等非語言聲音也能直接寫進文稿。
• 發音控制：自訂發音字典可設定專有名詞與專業術語的念法。
• 版本鎖定：sonic-3.6 模型 ID 一律指向最新的穩定快照，帶日期的快照一經發布就不再變動，sonic-preview 則是測試版模型，並非供正式環境使用。

Ink 語音轉文字

• 內建話輪偵測：Ink 2 不需要另外的語音活動偵測器，因為它會發出話輪事件（開始、更新、提前結束、恢復與結束），告訴代理何時該聽、何時該回應。
• 結構化資料：Cartesia 表示 Ink 是所有串流語音轉文字模型中詞錯誤率最低的，並能原生處理電話號碼、日期、電子郵件、貨幣與 UUID。

聲音複製

Cartesia 提供兩種等級的 AI 聲音複製。即時聲音複製從 10 秒音訊起就能建立，Sonic 3.6 及更新版本最多可使用 60 秒音訊來保留口音，上傳檔案上限為 16 MB。專業聲音複製會用同一位說話者至少 30 分鐘的音訊微調模型，訓練最長需要 3 小時。每個專業複製一次只針對一種語言訓練，因此多語系品牌聲音需要為每種語言分別錄製資料集。

代管代理

代管代理把 Ink-2、客戶自選的 LLM 與 Sonic-3.6 組成一個即時語音代理，負責話輪交替、插話處理、音訊串流與工具呼叫。代理可以使用三類工具：內建的系統工具（例如結束通話）、向客戶伺服器發送請求的 webhook 工具，以及在已連線的瀏覽器、行動應用程式或伺服器中執行的用戶端工具。LLM 整合由 Cartesia 自行運作，因此無需另外申請模型供應商帳號或 API 金鑰。內建評估框架還提供即時測試、系統指標與自訂通話分析。

使用指南

建立並使用即時聲音複製

1. 選擇一位聲音屬於你、或你已取得明確授權可以複製其聲音的說話者。
2. 在安靜的房間裡只錄這一位說話者，不要有音樂、回音或背景雜音，並使用複製聲音之後要用的語言與風格；片段的情緒會帶進即時複製的聲音。
3. 在 Playground 中開啟即時聲音複製，錄製或上傳片段並選擇所說的語言；如果複製功能是應用程式的一部分，則呼叫複製 API。
4. 在文字轉語音請求中使用該複製聲音的聲音 ID，不論該聲音是在 Playground 中還是透過 API 建立。

透過 API 訓練專業聲音複製

透過 API 建立專業聲音複製分四步：建立資料集，把音訊檔案上傳到資料集，用該資料集建立微調工作，然後列出微調產生的聲音。

Cartesia 的使用情境與範例

Cartesia 提供的範例集中在電話代理與用於媒體的複製聲音。

• 客戶服務：代理會驗證來電者身分，調出即時帳戶資料，解決帳單問題、訂單狀態與帳戶問題，不必等待或轉接。
• 招募：代理會立即致電求職者進行篩選，並在通話結束前把資格摘要推送到求職者追蹤系統。
• 詐欺偵測：代理針對可疑交易即時撥出驗證電話，並處理加強身分驗證。
• 遊戲：工作室可以用配音員的複製聲音製作角色對白，並隨劇情變化直接從文字念出新台詞。
• 配音：自訂聲音以支援的語言朗讀翻譯後的腳本，發音與時間節奏會在音訊放進影片前先經過審核。

在規模方面，Cartesia 引用了 Bolna 的案例，表示對方透過 Cartesia 的低延遲基礎設施，每天處理 50 萬通以上、涵蓋多種印度語言的語音通話；這是廠商發布的客戶故事，而非獨立稽核。

適用人群

Cartesia 適合把語音放進自家軟體的團隊，而不是想找現成消費型應用程式的人。

• 早期公司：一項補助計畫接受任何階段的新創公司，學生與一次性專案則個案審核。獲選的新創公司可取得 12 個月的 Scale 方案，每月含 800 萬 Sonic 與 Ink 共用點數，另加每月 $299 的代管代理額度。作為交換，參與者需提供自己的標誌，並允許 Cartesia 在行銷中使用其名稱與標誌。
• 受監管、高用量與公部門買家：當團隊用量超過 5000 萬點、需要地端、VPC 或 OEM 部署、需要 BAA 或零資料保留，或是替政府採購時，Cartesia 會請他們聯絡業務團隊。

它比較不適合需要 Ink 五種語言以外串流轉錄的團隊、期待在 Free 方案就能使用聲音複製的人，以及需要可退款訂閱的買家。

支援平台

• 瀏覽器 Playground：所有模型都能在瀏覽器中試用，API 金鑰也是在這裡建立。
• API 端點：Sonic 文字轉語音 API 透過三個端點提供，分別是 /tts/bytes、/tts/sse 與 /tts/websocket。
• SDK：官方 SDK 以 JavaScript/TypeScript 與 Python 涵蓋 TTS、STT 與聲音 API。
• 程式開發代理：Cartesia MCP 可在 Cursor、Claude Code 與其他 MCP 用戶端中使用，不必撰寫自訂腳本就能列出聲音、執行 TTS 與 STT，以及管理發音字典。
• 代理框架：LiveKit 整合透過 Cartesia 外掛或 LiveKit Inference 提供即時房間與代理。Pipecat 為語音與多模態代理提供官方的 Cartesia TTS 與 STT 服務。
• 電話通訊：代理可以連接 Cartesia 配發的號碼、從 Twilio 匯入的號碼，或經由 SIP 電信業者路由的號碼。
• 部署：雲端流量經由區域 API 端點在區域內處理，模型也能在客戶的資料中心或客製硬體上執行。在企業合約下，Sonic-3.6 可以地端部署（包括實體隔離的站點）、部署在客戶位於 AWS、GCP 或 Azure 上的 VPC 中，或透過 OEM 授權嵌入。
• 雲端市集：Cartesia 也透過 AWS Marketplace 販售一個涵蓋 Sonic、Ink 與語音代理的訂閱。

價格套餐

Cartesia 的語音模型以點數計費，代理通話以美元計費，所有方案都包含不限數量的工作區席位。以下為 2026 年 10 月 6 日擷取的月繳方案：

在 Free、Pro、Startup 與 Scale 方案上，Sonic-3.6 的額度約等於每月 27、133、1,667 與 10,667 分鐘，文字轉語音並行請求數為 2、3、5 與 15。Ink-2 的額度約等於 1 小時 51 分、9 小時 16 分、115 小時 44 分與 740 小時 44 分的轉錄時間，並行請求數為 8、12、20 與 60。

• 文字轉語音計量：一分鐘 Sonic 音訊會用掉 750–800 點，因為 1 點等於 1 個字元。
• 語音轉文字計量：Ink-2 每秒音訊收 3 點。費率取決於模型及批次或即時端點；即使沒有傳回轉錄結果，靜音也會計費。
• 語音代理：通話每分鐘 $0.06，使用 Cartesia 提供的電話號碼時每分鐘另加 $0.014。預付的代理美元額度約可供 Free 用 17 分鐘、Pro 用 1 小時 23 分、Startup 用 13 小時 37 分、Scale 用 83 小時 3 分，未計代管電話號碼費用。
• 超量使用：付費使用者可以開啟超量使用，Pro 為每 100 萬點 $65，Startup 為 $45，Scale 為 $38；關閉超量使用時，點數用完後新的請求會被擋下。
• 結轉：未使用的點數可以結轉，上限為方案每月額度的 2 倍。
• 專業聲音複製名額：訓練專業複製不收費，其語音每個字元收 1 點；Startup 含 2 個名額，Scale 含 4 個，Free 與 Pro 則沒有名額。
• 續約與取消：訂閱從購買日起每月續約；在週期中途取消或降級後，帳戶會保留原等級直到該週期結束。
• 退款：除條款另有規定外，訂閱款項不予退款，部分使用的週期也不會折抵。

Cartesia 的語音合成與轉錄替代方案

Cartesia 官網表示其模型在一個第三方語音競技場排行榜與語音轉文字排行榜上排名第一。而該獨立競技場以盲聽投票為基礎的供應商聲音文字轉語音排行榜，在 2026 年 10 月 6 日擷取時把 Eleven v4 Turbo（Elo 1334）、Eleven v4（1321）與 Qwen-Audio-3.1-TTS-Plus（1292）排在 Sonic 3.6（1278）之前，Gemini 3.8 Flash TTS（1275）緊追在後。兩種說法在當天並不相符，而且這項比較只涵蓋該競技場的供應商聲音檢視。

在轉錄方面，Cartesia 表示 Ink-2 在電話線路錄音、帶口音的語音、嘈雜音訊與財報電話會議上勝過 Deepgram Flux、Soniox RT-V4、AssemblyAI RT Pro 與 ElevenLabs Scribe-2-realtime。這項基準測試是廠商自己做的，但它點出了 Cartesia 視為直接競爭對手的串流模型。

注意事項

• 複製權限說法衝突：聲音複製頁面表示複製需要付費方案，即時聲音複製從 Pro 起提供，專業聲音複製從 Startup 起提供。Sonic 常見問題卻把 Free 方案描述為供評估與個人使用，並包含即時聲音複製。同一份常見問題寫專業聲音複製需要 15–30 分鐘的參考音訊，而複製文件則把 30 分鐘定為最低要求。
• 專業複製的語速與音量固定：專業聲音複製會從資料集中學習節奏與響度，因此請求時的語速與音量控制對它沒有作用。
• 五種轉錄語言：Ink-2 支援英語、西班牙語、法語、印地語與日語，遠少於 Sonic 的 44 種。
• 代理的 LLM 費用不明確：代理 LLM 文件寫明 LLM 可免費使用到 2026 年 10 月 1 日，這個日期早於本次擷取。價格頁面仍把通話期間的 LLM 使用列為對以介面建立的代理限時免費。各模型的 token 價格、供應商與平均延遲由代理模型端點傳回。
• 配發號碼僅限美國：Cartesia 只配發美國電話號碼；其他國家的號碼需透過 Twilio 或 SIP 電信業者接入。
• 通話合規責任在客戶：客戶須獨自負責讓每一通電話、每一則簡訊或預錄訊息都符合適用法律，包括《電話消費者保護法》與「請勿來電」規則。
• 複製防護措施的過去與現在：2024 年 12 月，一家獨立 IT 媒體報導指出，Sonic 聲音複製器幾乎看不到明顯的防護措施，只要求勾選同意服務條款；Cartesia 當時表示已有自動與人工審核，並正在開發聲音驗證與浮水印。Cartesia 現在表示，所有聲音複製都需要說話者經過驗證的同意，並禁止複製公眾人物或未經同意複製他人。2026 年 10 月 6 日擷取的複製頁面都沒有說明這項同意如何驗證。
• 評價基礎薄弱：一個雲端市集的商品頁在 2026 年 10 月 6 日擷取時顯示，41 則評分的平均為 4.3 分（滿分 5 分），全部從一個外部商業軟體評論網站匯入，該市集本身沒有任何使用者留下評論。

隱私、資料使用與聲音權利

• 以客戶內容訓練：除非另有約定，Cartesia 可能使用輸入、輸出與使用者互動來訓練及改進其模型。使用者可透過線上表單排除自己內容中的特定類別，但退出只對未來生效，不會撤銷先前的使用。
• 零資料保留：零資料保留只提供給 Enterprise 客戶，適用於 TTS 與 STT API，且不包括聲音複製、專業聲音複製與聲音建立。
• 應用程式的告知義務：以 Cartesia 打造的應用程式必須告知終端使用者，他們是在和 AI 而不是真人交談，而且對話會被錄音，並可能與 Cartesia 及其第三方 LLM 供應商分享。
• 商業使用：除非訂閱等級明確允許，否則輸出不得用於商業用途；在方案表中，商業使用授權從 Pro 起提供。
• 聲音與冒充規則：《可接受使用政策》禁止冒充任何人（包括名人）或任何企業，只允許使用你自己的聲音，或經明確同意的他人聲音。條款也禁止在未取得明確許可的情況下發布已故人士或政治候選人的聲音。
• 未成年人與政治：輸出不得涉及或代表任何未滿 18 歲的人。該政策也排除了正當的政治廣告、競選、遊說與募款。

FAQ

Q1. 不註冊帳號可以試用 Cartesia 嗎？

部分可以。AI 變聲工具不必註冊就能免費試用；免費轉換有每日上限，上傳檔案必須是 15 MB 以下的 WAV 或 MP3。

Q2. 失敗的 API 請求會扣點數嗎？

不會。只有成功的請求才會消耗點數，發生錯誤不收費。

Q3. 複製的聲音能說其他語言嗎？

可以，但要多一個步驟。每個即時複製都以一種語言建立，所以要先用原本的語言建立複製聲音，再透過「新增聲音口音」API 加入其他語言。每新增一種聲音口音收 225 點。

Q4. Sonic 會傳回哪些音訊格式？

Bytes 端點可以傳回原始音訊、WAV 或 MP3，而 SSE 與 WebSocket 端點只傳回原始音訊。支援的取樣率為 8000 至 48000 Hz。

Q5. Cartesia 是否符合 SOC 2 或 HIPAA？

Cartesia 表示，其合規體系包括 SOC 2 Type II、HIPAA 資格（可為醫療客戶提供 BAA）與 GDPR 合規，並為企業客戶在符合條件的服務上提供零資料保留。