語音 AI 公司 Cartesia 獲 6400 萬美元 A 輪融資：上線 Sonic 2.0

跟語音助手聊天時，最讓人出戲的往往不是它說錯了什麼，而是那半秒到一秒的尷尬停頓。你這邊話說完了，空氣突然安靜，你甚至不知道它到底是有沒有聽懂，還是乾脆卡住了。

做即時語音 AI 的初創團隊 Cartesia 想徹底幹掉這個停頓。3 月 11 日，Cartesia 宣佈完成 6400 萬美元的 A 輪融資，由著名風投 Kleiner Perkins 領投。與這筆融資一同亮相的，還有他們今天正式開放體驗的新一代語音模型 Sonic 2.0。

40 毫秒延遲與狀態空間模型

對即時語音互動來說，速度就是生命線。人類正常對話裡的反應間隔大約在 200 毫秒左右，一旦 AI 慢於這個節奏，對話感就會瞬間碎成一塊塊的機械問答。

Cartesia 這次端出來的 Sonic 2.0，完整模型的生成延遲被壓到了 90 毫秒；如果在對即時性要求極苛刻的互動場景下，延遲甚至可以進一步壓縮到 40 毫秒。作為對比，他們還推出了速度更極致的 Sonic Turbo 版本。

有意思的是背後的技術路徑。Sonic 2.0 放棄了常規做法，轉而採用了狀態空間架構（State Space Architecture）。官方表示，新模型的體積雖然比上一代翻了一倍，但在計算速度和執行效率上反而更高了。

除了快，聲音能不能聽也是個坎。Sonic 2.0 重點打磨了聲音克隆能力，號稱能捕捉細微的口音、語調起伏和語氣風格。對於跨境客服、內容出海本地化或者無障礙輔助這些對發音細節極挑剔的場景，這種精細度會直接決定方案能不能落地。

瞄準企業交付與裝置端執行

光有模型跑在實驗室裡沒用，Cartesia 顯然不想只做個極客玩具。這次融資通告裡，他們特意強調了自己的工程底座：系統服務可用性達到 99.9%，並且已經拿下了 SOC-2 和醫療行業的 HIPAA 合規認證。

這意味著企業級客戶可以直接把它接進嚴肅的商業系統裡，比如客服呼叫中心或涉及患者隱私的醫療語音場景，不用擔心合規審查過不去。

更值得注意的一點是，Sonic API 除了常規的雲端即時呼叫，還提供了端側本地部署（On-device deployment）的選項。Cartesia 執行長 Kar 直言，今年就是語音 AI 之年，這類技術馬上會滲透到各個角落。

按照規劃，這筆 6400 萬美元將用於擴充研發團隊，除了繼續死磕流式架構和端側推理，他們接下來還打算上線聲音變換器（Voice changer）和區域性插入編輯（Infill editing）等新功能。

為什麼重要

我們認為，Cartesia 這一步走得相當清醒。在大家都在卷大語言模型引數的時候，語音這一層互動介面反而成了真正的落地瓶頸。誰能把端到端延遲壓到人耳不敏感的幾十毫秒以內，誰就能卡住下一代 AI Agent 的入口。

對開發者和中小團隊來說，Sonic 2.0 最實在的價值在於極低延遲和企業級合規一併打包交付了。如果你正在做電話呼叫機器人、即時語音翻譯或者陪伴型硬體，現在就可以去試試它的免費測試版，看看 40 毫秒的體感到底能不能撐起真正的自然打斷和插話。

但在技術路線上，它也有自己的隱患。狀態空間模型雖然在速度和長序列推理上展現出了理論優勢，可在面對極端複雜的通用語義理解和多樣化情緒表達時，工業界驗證的資料規模依然不如主流 Transformer 架構充分。Cartesia 究竟能不能在保持極致低延遲的同時，持續維持極高質量的語音穩定性，還需要企業客戶在嚴苛生產環境里長期檢驗。

另外，直接提供端側部署選項是一個很聰明的差異化打法。它不僅能避開雲端高昂的頻寬與推理賬單，還能幫客戶繞開敏感語音資料的出境與隱私隱患。這會倒逼 ElevenLabs 等老牌玩家加快跟進端側部署與極速低延遲產品的研發節奏。