リアルな音声合成

聴き手が合成音声ではなく録音だと感じる音声です。Cartesiaの音声合成モデルSonicは、文に合った話し方で文章を読み、生成しながら音声をストリーミングします。数字、ID、略語も、人が書いた原稿として自然に聴こえるように読み上げます。このページで聴ける声は、PlaygroundとAPIで利用できる声と同じです。

主に話し方です。強調する語や間の位置を間違えたり、疑問文の語尾を下げたり、略語でつまずいたりすると、合成音声だとわかります。正しい発音は出発点であり、違いを生むのは抑揚やリズムです。評価記事このTTSモデルは優れているか？では、単語の正確さは同じでも、聴こえ方が明らかに異なる音声を聴き比べられます。

私たちが把握している公開ブラインドテストではSonicです。2026年9月のSonic-3.6公開以来、Artificial Analysisのcontrolled-voiceランキングとprovider-voiceランキングで第1位を維持し、VoiceArenaのブラインド聴取でも第1位に評価されています。ランキングは新しいモデルの公開に伴って更新されます。このページも含め、1つのページだけを信じずに現在の順位を確認してください。

はい。リアルタイムで使えることが必要です。事前に生成したファイルでしか良く聴こえない声は、ナレーションにはなっても会話には使えません。Sonicは90ms未満のモデルレイテンシで、生成しながら音声をストリーミングします。そのため、同じ声がManaged Agentsのライブ通話でも使われています。人はおよそ200ミリ秒で相手に話す順番を渡すため、長い間は自然さを最初に損なう要因になります。

Sonicは単語ごとに翻訳する方式ではなく、もともと多言語に対応しており、40を超える言語の声を提供しています。リアルさは言語ごとに確認する必要があります。対象言語に合った声を選び、翻訳した原稿を用意し、その言語に堪能な方に結果を評価してもらってください。言語ライブラリで各言語のサンプルを聴けます。

はい。話者の許可が必要です。音声クローンは録音サンプルから声を作ります。短い録音で即座にクローンを作ることも、長い録音を使って話す速さや強調をより忠実に再現することもできます。プロジェクトで採用する前に、実際の原稿でクローンを試してください。

はい。Cartesiaの有料プランには商用利用ライセンスが含まれますが、制限はプランによって異なります。プロジェクトに適用される料金と利用規約を確認してください。原稿やクローンする声の利用権は別途必要です。契約によって他人の声を使う許可が得られるわけではありません。