Ink：最速・最高精度の音声認識モデル

Ink-2は、本番環境の音声エージェント向けに設計されたCartesiaのストリーミング音声認識モデルです。TTSと同様、Stanfordで創業チームが開発したState Space Model（SSM）アーキテクチャに基づいています。

ストリーミングSTTモデルで最小の単語誤り率（WER）。通話録音、さまざまなアクセント、雑音のある環境、決算説明会で、Deepgram Flux、Soniox RT-V4、AssemblyAI RT Pro、ElevenLabs Scribe-2-realtimeなどの本番向けモデルを上回ります。電話番号、メールアドレス、UUIDなどの英数字も対象です。

高精度な発話終了検出を内蔵。モデル自体が発話の終了を検出するため、Sileroのような別のモデルを組み込む必要がありません。依存関係と遅延を減らし、発話の切り替わりをより正確に捉えます。

雑音への耐性も内蔵。Krispなどの音声フィルターなしで背景雑音に対応し、構成全体のコストと遅延を削減します。

いいえ。これはチームがInk-2に移行する主な理由の一つです。

発話の切り替わりの検出を内蔵しています。多くのSTTモデルは、話者が話し終えたことを判断するためにSileroなどの外部モデルを必要とします。Ink-2はこれを直接処理し、別のモデルを実行するより速く正確に検出します。

雑音への耐性も備えています。多くの音声エージェントは背景雑音を除くためにSTTにKrispなどの音声フィルターを重ね、コスト、遅延、複雑さが増えます。Ink-2は追加のフィルターなしで背景雑音に対応します。

構成するモデルを減らすことで、遅延、コスト、障害の発生箇所を減らせます。

はい。Ink-2は、ネットワークから隔離された環境を含む自社データセンター内のオンプレミス環境、AWS・GCP・Azureの自社VPC、または製品に直接組み込むOEMライセンスで導入できます。

政府との契約、医療・金融・保険などの規制対象業界、データ主権やデータの保管場所に要件がある組織にも対応できます。オンプレミスおよびOEMでの導入は、エンタープライズ契約で提供しています。

Ink-2は英語、スペイン語、フランス語、ヒンディー語、日本語に対応しています。

Ink-2の料金は3クレジット/秒です。料金の詳細とボリューム割引は料金ページをご覧ください。エンタープライズ契約では、利用量と導入形態に応じた個別の料金を提供しています。

Cartesiaは、対象となる初期段階の企業にクレジットを提供するスタートアップ支援プログラムも実施しています。詳細はスタートアップ支援プログラムをご覧ください。

次のいずれかに該当する場合はCartesiaのチームにご相談ください。

大規模な本番ワークロードを運用している（>50Mクレジット）。

オンプレミス、VPC、OEMでの導入が必要。

医療、金融、その他の規制対象分野向けに、BAA、ゼロデータ保持、その他のコンプライアンスに関する契約条件が必要。

政府、連邦機関、公共部門の調達を担当している。

評価、試作、小規模な本番ワークロードなどは、セルフサービスプランとhttps://docs.cartesia.ai/build-with-cartesia/stt-models/latestの技術ドキュメントから始められます。