语音 AI 公司 Cartesia 获 6400 万美元 A 轮融资：上线 Sonic 2.0

跟语音助手聊天时，最让人出戏的往往不是它说错了什么，而是那半秒到一秒的尴尬停顿。你这边话说完了，空气突然安静，你甚至不知道它到底是有没有听懂，还是干脆卡住了。

做实时语音 AI 的初创团队 Cartesia 想彻底干掉这个停顿。3 月 11 日，Cartesia 宣布完成 6400 万美元的 A 轮融资，由著名风投 Kleiner Perkins 领投。与这笔融资一同亮相的，还有他们今天正式开放体验的新一代语音模型 Sonic 2.0。

40 毫秒延迟与状态空间模型

对实时语音交互来说，速度就是生命线。人类正常对话里的反应间隔大约在 200 毫秒左右，一旦 AI 慢于这个节奏，对话感就会瞬间碎成一块块的机械问答。

Cartesia 这次端出来的 Sonic 2.0，完整模型的生成延迟被压到了 90 毫秒；如果在对实时性要求极苛刻的交互场景下，延迟甚至可以进一步压缩到 40 毫秒。作为对比，他们还推出了速度更极致的 Sonic Turbo 版本。

有意思的是背后的技术路径。Sonic 2.0 放弃了常规做法，转而采用了状态空间架构（State Space Architecture）。官方表示，新模型的体积虽然比上一代翻了一倍，但在计算速度和运行效率上反而更高了。

除了快，声音能不能听也是个坎。Sonic 2.0 重点打磨了声音克隆能力，号称能捕捉细微的口音、语调起伏和语气风格。对于跨境客服、内容出海本地化或者无障碍辅助这些对发音细节极挑剔的场景，这种精细度会直接决定方案能不能落地。

瞄准企业交付与设备端运行

光有模型跑在实验室里没用，Cartesia 显然不想只做个极客玩具。这次融资通告里，他们特意强调了自己的工程底座：系统服务可用性达到 99.9%，并且已经拿下了 SOC-2 和医疗行业的 HIPAA 合规认证。

这意味着企业级客户可以直接把它接进严肃的商业系统里，比如客服呼叫中心或涉及患者隐私的医疗语音场景，不用担心合规审查过不去。

更值得注意的一点是，Sonic API 除了常规的云端实时调用，还提供了端侧本地部署（On-device deployment）的选项。Cartesia 首席执行官 Kar 直言，今年就是语音 AI 之年，这类技术马上会渗透到各个角落。

按照规划，这笔 6400 万美元将用于扩充研发团队，除了继续死磕流式架构和端侧推理，他们接下来还打算上线声音变换器（Voice changer）和局部插入编辑（Infill editing）等新功能。

为什么重要

我们认为，Cartesia 这一步走得相当清醒。在大家都在卷大语言模型参数的时候，语音这一层交互界面反而成了真正的落地瓶颈。谁能把端到端延迟压到人耳不敏感的几十毫秒以内，谁就能卡住下一代 AI Agent 的入口。

对开发者和中小团队来说，Sonic 2.0 最实在的价值在于极低延迟和企业级合规一并打包交付了。如果你正在做电话呼叫机器人、实时语音翻译或者陪伴型硬件，现在就可以去试试它的免费测试版，看看 40 毫秒的体感到底能不能撑起真正的自然打断和插话。

但在技术路线上，它也有自己的隐患。状态空间模型虽然在速度和长序列推理上展现出了理论优势，可在面对极端复杂的通用语义理解和多样化情绪表达时，工业界验证的数据规模依然不如主流 Transformer 架构充分。Cartesia 究竟能不能在保持极致低延迟的同时，持续维持极高质量的语音稳定性，还需要企业客户在严苛生产环境里长期检验。

另外，直接提供端侧部署选项是一个很聪明的差异化打法。它不仅能避开云端高昂的带宽与推理账单，还能帮客户绕开敏感语音数据的出境与隐私隐患。这会倒逼 ElevenLabs 等老牌玩家加快跟进端侧部署与极速低延迟产品的研发节奏。