Cartesia 发布 Sonic-3.5 与 Ink-2：包揽流式语音「听说」双榜首

如果你跟现在的很多 AI 语音客服打过电话，最让人难受的往往不是它答不上来，而是那种机械的迟钝感。你刚说完一句，对面死寂两秒；或者你只是中间喘口气，它就急着插嘴。

语音 AI 初创团队 Cartesia 拿出了两款新模型：语音合成模型 Sonic-3.5 与转录模型 Ink-2。按照官方数据，这一对组合在第三方基准评测机构 Artificial Analysis 的流式榜单上，同时拿下了生成自然度和转录准确率的第一名。

创始人 Karan Goel 直言，他们现在是业内唯一一家在「听」和「说」两端同时做到流式第一的供应商。

把延迟压进 300 毫秒以内

大多数语音模型还在用主流的 Transformer 架构，但 Cartesia 押注的是状态空间模型（State Space Model）。这种底层架构的变化，最直观的收益就是速度。

根据官方公布的数据，负责朗读的 Sonic-3.5 首包延迟中位数被压到了 300 毫秒以内。这个数字足够低，低到人机之间的连续对话基本感觉不到网络缓冲的滞后。

在表现力上，Sonic-3.5 比前代 Sonic-3 优化了节奏和情绪起伏，并且念长串代号、ID 和字母数字混合串时不容易念错。目前它的发布页面标称支持 40 多种语言，不过更新日志里也老老实实写明，底层还是以英语为核心逐步向外扩，多语言团队上线前最好自己跑一遍测试。

负责听音的 Ink-2 则主打实时流式转录。它专为嘈杂现实环境调优，最大的亮点是把轮次检测和语义端点检测直接做进了模型里。它能根据句意判断你是真的讲完了，还是只是短暂停顿，不用开发者再去靠死板的静音倒计时来猜。

目前两款模型已经通过 WebSocket、REST API 以及公开 Playground 全面开放，官方还直接提供了 Python 和 TypeScript 的 SDK，并接入了主流的 Pipecat 和 LiveKit 智能体开发框架。

为什么重要

我们认为，Cartesia 这一步走得相当清醒。

实时语音智能体本质上是一个闭环：听、转录、思考、开口，然后再循环。过去大部分团队做语音应用，都是从 A 家买转录、传给 B 家大模型推理、再丢给 C 家做配音。每一跳都是一次网络延迟，也多了一处容易打断、容易抢话的缝隙。

把「听」和「说」两端合到一起，意味着进出两端的逻辑可以深度咬合。Ink-2 确认用户说完的那一瞬间，就能立刻通知 Sonic-3.5 起调开讲。对于要做电话外呼、实时口语外教或者应用内语音助手的团队来说，这种端到端的敏捷度几乎是刚需。

当然，语音市场现在也分化得非常明显。如果你需要的是长篇影视旁白、角色扮演或者极其细腻的配音，ElevenLabs 仍然是表现力更强的选择；如果你追求数据隐私或极低成本，用 NVIDIA Nemotron 3.5 这类开源 ASR 配合 Higgs Audio v3 自己在本地搭，也是一条路，只是网络工程和延迟优化全得自己扛。

Cartesia 没打算赢下所有场景，它就是把所有筹码都押在「超低延迟实时对话」这条赛道上。它把最难调的交接棒逻辑做成了开箱即用，这会倒逼其他单点语音供应商加快整合自己的前后链路。