CartesiaはすべてのGemini TTSモデルより高く評価され、音声生成も高速です。

Gemini 3.1 Flash TTS、Gemini 2.5 Flash Lite TTS、Gemini 2.5 Flash TTSです。これらはArtificial AnalysisでのGoogleのGemini音声合成モデルの表記です。Googleのドキュメントで使われるモデルIDはgemini-3.1-flash-tts-preview、gemini-2.5-flash-preview-tts、gemini-2.5-pro-preview-ttsです。Artificial Analysisはそのうち2つの生成速度を計測しているため、Gemini 2.5 Flash Lite TTSは品質チャートには掲載されますが、速度チャートには掲載されません。

GoogleはGemini TTSと並行して、従来のCloud Text-to-Speech音声、Chirp 3: HD、Studio、Journey、Neural2、WaveNet、Standardも提供しています。Artificial Analysisではこれらすべてを評価しており、いずれもGemini 3.1 Flash TTSより低い評価です。また、Googleの音声クローン機能Chirp 3: Instant Custom VoiceはCloud Text-to-Speechで提供されており、ドキュメントによると許可リストに登録されたユーザーのみ利用できます。

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。Provider Voice Arenaでは各モデルが独自の声を使います。CartesiaのSonic 3.6は、すべてのモデルに同じクローン音声を使うControlled Voice Arenaでも1位です。

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。