Cartesiaは、音声AIの速さに焦点を当てています。Sonicのモデルは、トランスフォーマーだけに頼らず状態空間モデルのアーキテクチャで作られ、自然に聞こえる音声をごく低い遅延で生成します。応答ができた直後に音声エージェントが話し始められるので、遅れがぎこちなく感じられる電話やライブのアシスタントで効きます。音声のクローンと、感情や話す速さの調整もあります。
このプラットフォームは、リアルタイム音声を組むための部品がそろっています。Sonicが音声合成、Inkが音声認識を担い、管理型の音声エージェント向けの道具は、電話に応答するエージェントの展開を助けます。開発者はAPIとSDKで接続し、Cartesiaはよく使われる音声エージェントのフレームワークや電話事業者と連携します。多言語対応により、一つのシステムで別の言語の顧客に対応できます。
Cartesiaには、試すための無料枠と、本番向けの従量課金、それに企業向けの契約があります。狙いは音声製品を作る開発者と企業で、動画のナレーション用スタジオを探す制作者ではありません。その用途ではElevenLabsやMurfの方が扱いやすいです。リアルタイム音声の競合にはElevenLabs、Deepgram、OpenAIの音声モデル、Rimeがあります。音声の質と遅延は言語と回線の状態で変わるので、自分の用途で試すのが賢明です。