Cartesia właśnie wydała Sonic-3, swój nowy flagowy model Text to Speech do rozmów w czasie rzeczywistym Sonic-3 oferuje strumieniowe przetwarzanie Text to Speech z wbudowanymi elementami prozodycznymi, takimi jak śmiech, a także emocjami takimi jak zaskoczenie i ciekawość. Nowy model obsługuje 42 języki, w tym 9 języków indyjskich. Sonic-3 wykorzystuje architekturę State Space Model (SSM), podobnie jak wcześniejsze wydania Cartesia. Cartesia jest liderem w wykorzystaniu SSM, podczas gdy inne modele zazwyczaj korzystają z architektur opartych na transformatorach. SSM są zazwyczaj bardziej efektywne pod względem obliczeń i pamięci, co prawdopodobnie przyczynia się do stosunkowo imponującego opóźnienia Sonic-3. Cartesia oferuje model subskrypcyjny i cenowy oparty na kredytach, zaczynający się od 0 USD miesięcznie na użytek osobisty, aż do 299 USD miesięcznie za pakiet Scale. Sonic-3 został dodany do Areny Analizy Sztucznej Text to Speech do głosowania preferencyjnego dla osób niewidomych. Posłuchaj próbek poniżej 🎧