Sonic，基于狀態空間模型的低延遲實時推理語音生成模型，由Cartesia ai開發的實時語音生成模型，基于他們自研的狀態空間模型，專為實時互動語音應用設計。

Sonic 的顯著特點包括：

技術基礎：

• Sonic 基于下一代狀態空間模型構建，這是一種先進的深度學習架構。

• 模型實現了市場上最快的文本到語音轉換，端到端延遲小于200毫秒，模型延遲僅135毫秒，是同類模型中最快的。

性能特點：

• 極快的速度：Sonic 的延遲僅為135毫秒，確保實時響應，這對于交互式應用至關重要。

• 高吞吐量：利用首創的狀態空間模型推理棧，Sonic 支持高并發和低成本推理，適合大規模部署。

語音質量：

• 超逼真語音：Sonic 能夠生成富有情感和表達力的真人語音，極大提升了語音合成的自然度和真實感。

個性化功能：

• 零樣本語音克隆：僅需10秒的錄音，Sonic 就能匹配語調、抑揚頓挫和聲線特征，實現個性化語音克隆。

• 可控參數：用戶可以調整音高、語速、情感等參數，實現個性化的語音設計。

Cartesia作為一家專注于構建實時智能的初創公司，通過創新的狀態空間模型（SSM）技術，為每個設備提供高效、長壽命的實時智能，提供高質量的實時語音體驗。

詳情：https://cartesia.ai/blog/sonic