Sonic：一种低延迟语音模型，实现逼真的语音

Sonic，基于状态空间模型的低延迟实时推理语音生成模型，由Cartesia ai开发的实时语音生成模型，基于他们自研的状态空间模型，专为实时互动语音应用设计。

Sonic 的显著特点包括：

技术基础：

• Sonic 基于下一代状态空间模型构建，这是一种先进的深度学习架构。

• 模型实现了市场上最快的文本到语音转换，端到端延迟小于200毫秒，模型延迟仅135毫秒，是同类模型中最快的。

性能特点：

• 极快的速度：Sonic 的延迟仅为135毫秒，确保实时响应，这对于交互式应用至关重要。

• 高吞吐量：利用首创的状态空间模型推理栈，Sonic 支持高并发和低成本推理，适合大规模部署。

语音质量：

• 超逼真语音：Sonic 能够生成富有情感和表达力的真人语音，极大提升了语音合成的自然度和真实感。

个性化功能：

• 零样本语音克隆：仅需10秒的录音，Sonic 就能匹配语调、抑扬顿挫和声线特征，实现个性化语音克隆。

• 可控参数：用户可以调整音高、语速、情感等参数，实现个性化的语音设计。

Cartesia作为一家专注于构建实时智能的初创公司，通过创新的状态空间模型（SSM）技术，为每个设备提供高效、长寿命的实时智能，提供高质量的实时语音体验。

详情：https://cartesia.ai/blog/sonic