Sonic-3

Sonic-3 是 Cartesia 的实时语音合成模型，官方页面当前主推 Sonic-3.6。它面向的不是配音导出，而是语音 Agent：要求在对话中几乎感觉不到等待，同时把语气、数字和专有名词读对。对做语音产品的团队来说，选 TTS 的先后顺序通常是延迟、稳定性，最后才是音色好不好听。官方页面另外提供语音识别与托管 Agent 两条产品线，方便把识别、合成与对话串起来。

核心能力

• 低延迟：官方称首个音频包在 90 毫秒以内返回，这是实时对话能不能接得住的关键指标；端到端还要加上语音识别与网络时间。
• 单模型 44 种语言：官方称一个模型覆盖 44 种语言，便于同一套系统做多语言上线，不必为每种语言单独维护模型，同一音色可跨语言复用。
• 表达力：官方描述声音可以在该笑的时候笑，并按准确读法播报订单号一类的数字串，适合客服与播报场景；语气与节奏随上下文调整，官方称目标是让对话像人在说话。
• 声音克隆：官方把声音克隆列为独立能力，可复刻音色用于品牌统一播报。
• 自定义发音词典：可为自己的人名、品牌名与缩写设定读法，避免每次读错，也便于中英混排时保持一致；词典按项目维护，换语言可为同一品牌名设定读法。
• 部署与安全：官方称提供从云端到本地的企业级部署选项，另有 Ink 语音识别与托管 Agent 产品可组合。

适合谁

• 做语音客服与呼叫中心的团队：需要低延迟、稳定接话。
• 语音 Agent 开发者：把实时 TTS 作为对话链路的一层接进产品。
• 出海产品团队：一套系统要覆盖多语言播报。
• 有声内容与品牌播报团队：需要统一音色与正确读法。
• 物流与订单类业务：要准确读出编号、金额与地址。

使用建议

• 先用业务里的真实文本试听，重点听数字、金额、缩写与中英混排，再把同一句话换三种语气比较稳定性。
• 把常读错的词一次性加进发音词典，比反复改文本有效。
• 克隆音色前必须取得声音权利人的书面授权，官方也要求遵守其使用政策。
• 多语言上线前每种语言各找母语者听一遍，别只看官方语言列表。
• 延迟是官方口径，实际取决于网络与部署方式，上线前做端到端压测；定价与商用授权以官网为准。