リスナーはCartesiaのSonic 3.6をNVIDIA Magpie TTS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は掲載されたNVIDIAの両モデル、Magpie-Multilingual 357MとMagpie Multilingualより高く評価されています。

はい。NVIDIAはMagpie TTS MultilingualをRivaの音声合成NIMとして提供しています。Artificial AnalysisはMagpie-Multilingual 357Mと以前のMagpie Multilingualの2つのバージョンを評価しており、Sonic 3.6はどちらよりも高く評価されています。

1つのモデルで英語、スペイン語、フランス語、ドイツ語、日本語など44言語に対応しています。英語モデルに後付けするのではなく、地域ごとにアクセントを調整しています。NVIDIAはMagpie TTS Multilingualで12言語に対応するとしています。

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。どちらもアクセス申請なしで、公開APIからセルフサービスで利用できます。

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。