Texto para fala realista

É fala gerada que o ouvinte percebe como uma gravação, não como áudio sintetizado. O Sonic, modelo de texto para fala da Cartesia, interpreta seu texto no nível da frase, transmite áudio enquanto o gera e lida com números, identificadores e siglas que fazem parte dos textos escritos por pessoas. As vozes que você ouve nesta página são as mesmas disponíveis no Playground e pela API.

Principalmente a interpretação. Uma voz se entrega ao dar ênfase à palavra errada, pausar no lugar errado, terminar uma pergunta com entonação descendente ou tropeçar em uma sigla. A pronúncia é o básico; a prosódia faz a diferença. Nosso artigo de avaliação, Este modelo de TTS é bom?, mostra pares de clipes que têm a mesma precisão nas palavras, mas soam claramente diferentes.

Nos testes públicos às cegas que conhecemos, o Sonic. Ele ocupa o primeiro lugar nos rankings de voz controlada e de voz do fornecedor da Artificial Analysis desde o lançamento do Sonic-3.6 em setembro de 2026. Os ouvintes também o colocam em primeiro lugar nos testes às cegas do VoiceArena. Os rankings mudam com o lançamento de novos modelos. Confira a classificação atual em vez de confiar em uma única página, inclusive esta.

Sim, e precisa funcionar. Uma voz que só soa bem em arquivos gerados previamente serve para narrar, não para conversar. O Sonic transmite áudio enquanto o gera, com latência do modelo inferior a 90 ms. Por isso, as mesmas vozes são usadas em Managed Agents nas chamadas ao vivo. As pessoas passam a vez em uma conversa em cerca de 200 milissegundos, então uma pausa é a primeira coisa que quebra a ilusão.

O Sonic é multilíngue por natureza, em vez de traduzir palavra por palavra, com vozes em mais de 40 idiomas. O realismo precisa ser avaliado em cada idioma: escolha uma voz adequada ao idioma de destino, forneça um texto traduzido e peça a um falante fluente que avalie o resultado. A biblioteca de idiomas tem amostras de cada idioma.

Sim, com a permissão de quem fala. A clonagem de voz cria uma voz a partir de uma amostra: uma gravação curta para um clone instantâneo ou gravações mais longas para um clone de maior fidelidade, que preserva seu ritmo e sua ênfase. Teste o clone com o texto real antes de adotá-lo em um projeto.

Sim. Os planos pagos da Cartesia incluem uma licença de uso comercial com limites que dependem do plano. Consulte os preços e os termos aplicáveis ao seu projeto. Você ainda precisa ter os direitos sobre o texto e sobre qualquer voz que clonar. Uma assinatura não dá permissão para usar a voz de outra pessoa.