核心摘要
AI 语音模型初创公司 Cartesia 日前宣布推出两款新模型 Sonic-3.5 与 Ink-2，并基于二者构建统一的实时语音智能体技术栈。其中 Sonic-3.5 负责文本转语音（TTS），Ink-2 负责语音转文本（STT），开发者可通过单一 API 同时调用两款模型，实现端到端的语音交互能力。
正文解读
Sonic-3.5 主打实时低延迟语音生成，首音输出时间缩短至 90 毫秒。出厂即支持 42 种语言，无需额外预处理即可准确处理英文异音词及字母数字的发音。Ink-2 则将字错率（Word Error Rate）降至 3.6%，并引入了原生轮次检测（Native Turn-Detection）与噪声处理机制。与传统方案单纯依赖安静时长判断不同，Ink-2 能基于句意和语义理解判定用户是否发言完毕，从而提升对话的自然流畅度。目前 Ink-2 仅提供英文版本，多语言支持将在后续更新中推出。
要点
- Sonic-3.5 首音输出 90ms，支持 42 种语言；Ink-2 字错率 3.6%，具备语义级轮次检测。
- 两款模型在设计上实现了双向流式协同，旨在减少因「多供应商拼接」带来的传输延迟与系统损耗。
随着实时语音智能体在客服、虚拟助手、语音交互等场景的应用加速，Cartesia 的一体化技术栈降低了开发者的集成复杂度，同时也对语音模型的端到端性能和多语言覆盖提出了更高要求。不过 Ink-2 当前仅支持英文，多语言版本的推出节奏将成为其能否在更广泛市场落地的关键因素。
原创文章，作者：admin，如若转载，请注明出处：https://www.23btc.com/190643/
