リスナーはCartesiaのSonic 3.6をBlandの音声モデルより高く評価しています。

独立したベンチマークであるArtificial Analysisの結果です。リスナーはモデル名を知らされずに同じ文の2つのクリップを聴き、好みの方を選びます。Sonic 3.6は、Blandの音声エージェントを支えるBland TTSより高く評価されています。

Sonic 3.6は90ms未満で最初の音声を返します。一方、Blandが公表する音声モデルの数値は199msです。Artificial AnalysisではSonic 3.6が毎秒119.1文字、Bland TTSが59.9文字を生成します。

はい。Sonicは独立した音声APIなので、現在の言語モデルや文字起こしと組み合わせて、主要な音声エージェントプラットフォームに組み込めます。

多くのチームで1〜2週間です。Cartesiaは主要な音声エージェントプラットフォームと統合され、すべてのモデルを公開APIで利用できます。別のプラットフォームに移る必要も、後から依存関係を解く手間もありません。