Sonic：リアルな音声を実現する低遅延音声モデル 197

Sonicは、Cartesia aiが開発した、状態空間モデルに基づく低遅延リアルタイム推論音声生成モデルであり、彼ら独自の状態空間モデルに基づき、リアルタイム対話型音声アプリケーション向けに設計されています。

Sonicの主な特徴は以下の通りです：

技術基盤：

• Sonicは次世代の状態空間モデルに基づいて構築されており、これは高度な深層学習アーキテクチャです。

• モデルは市場最速のテキスト読み上げを実現し、エンドツーエンドの遅延は200ミリ秒未満、モデル遅延はわずか135ミリ秒で、同類モデルの中で最速です。

性能特徴：

• 超高速：Sonicの遅延はわずか135ミリ秒で、リアルタイム応答を保証し、対話型アプリケーションにとって極めて重要です。

• 高スループット：独自開発のステート空間モデル推論スタックを活用することで、Sonicは高並行処理と低コストの推論をサポートし、大規模展開に適しています。

音声品質：

• 超リアルな音声：Sonicは感情豊かで表現力豊かな人間のような音声を生成することができ、音声合成の自然さとリアル感を大幅に向上させます。

パーソナライズ機能：

• ゼロショット音声クローン：わずか10秒の録音で、Sonicは语调、抑揚、音色の特徴を一致させ、パーソナライズされた音声クローンを実現します。

• 制御可能なパラメータ：ユーザーはピッチ、話速、感情などのパラメータを調整することができ、パーソナライズされた音声デザインを実現できます。

Cartesiaは、リアルタイムインテリジェンスの構築に特化したスタートアップ企業として、革新的な状態空間モデル（SSM）技術を通じて、すべてのデバイスに効率的で長寿命のリアルタイムインテリジェンスを提供し、高品質なリアルタイム音声体験を実現しています。

詳細：https://cartesia.ai/blog/sonic