CartesiaはGemini 3.8 TTSと同等の品質で、音声生成は約2倍高速です。

Artificial Analysisは掲載するすべてのモデルの生成速度を測定しています。2026年10月時点で、Sonic 3.6は毎秒約106文字、Gemini 3.8 Flash-Lite TTSは約55文字、Gemini 3.8 Flash TTSは約47文字の音声を生成します。同じボードのブラインド試聴テストでは、Sonic 3.6とGemini 3.8 Flash TTSの差は3ポイント以内です。音声エージェントでは、再生より十分先に生成できることが、長い応答を文の途中で止めないための条件です。

Googleが2026年9月にリリースしたGemini 3.8 Flash TTSとGemini 3.8 Flash-Lite TTS、そしてそれらが置き換えるGemini 3.1 Flash TTSです。名称はArtificial Analysisの表記に合わせています。GoogleのモデルIDはgemini-3.8-flash-tts、gemini-3.8-flash-lite-tts、gemini-3.1-flash-tts-previewです。

GoogleはGemini TTSと並んで、旧来のCloud Text-to-Speechの音声も提供しています。Chirp 3: HD、Studio、Journey、Neural2、WaveNet、Standardです。Artificial Analysisはこれらすべてを、このページのGemini TTSモデルより低く評価しています。

独立したベンチマークであるArtificial Analysisのデータです。リスナーは同じセリフの2つの音声を、どちらのモデルが生成したかを知らされずに聞き、好きな方を選びます。Provider Voice Arenaでは、各モデルが独自の声で話します。

はい。インスタントクローンには10秒、プロフェッショナルクローンには30分の音声が必要です。どちらも大企業向け契約に限定されず、公開APIで利用できます。

はい。Cartesiaはオンプレミスとエアギャップ環境にデプロイできます。医療、金融、政府機関のチームが音声を自社ネットワーク内に保つために利用しており、稼働率99.9%のSLAが適用されます。

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。