CartesiaのSonicは他の音声合成モデルと何が違いますか？

SonicはTransformer型のAttentionモデルではなくState Space Models（SSM）を基盤としており、超低遅延・長文コンテキスト推論・高効率を重視した設計です。最新版のSonic 3.5は42言語対応でレイテンシ90ms未満を実現しています。

実績・根拠

• —ev-cartesia-2

向いている相談

音声合成モデルを比較したい相談

他の選択肢との違い

SSMアーキテクチャによる低遅延性

よくある質問

Sonicは何言語に対応していますか？

Sonic 3.5は42言語に対応しています。

情報ソース

• Source
  Cartesia \ Introducing Sonic-3.5 and Ink-2検証待ち出典を見る