Для чего: самая быстрая потоковая озвучка для голосовых агентов — задержка до первого звука в десятки мс.

Что это и кому

Cartesia (модель Sonic) — сверхбыстрая потоковая озвучка с задержкой до первого звука в десятки миллисекунд, заточенная под голосовых агентов и телефонию. Для инженеров разговорного ИИ, где каждая сотня миллисекунд паузы рушит ощущение живого диалога. Выделяется именно латентностью: это «голос реального времени», а не batch-озвучка.

Ключевые возможности

Sub-100ms time-to-first-audio — лидер по задержке.
Потоковый синтез (WebSocket) для дуплексных диалогов.
Клонирование голоса и библиотека голосов.
Мультиязычность, включая русский.
Стабильный API и SDK для интеграции в голосовые пайплайны (телефония, агенты).
Контроль скорости/эмоций подачи.

Как начать за 5 минут

Зарегистрируйся на cartesia.ai, получи API-ключ.
Для минимальной задержки используй стриминговый (WebSocket) endpoint Sonic; для простого теста — REST-синтез:

curl -X POST https://api.cartesia.ai/tts/bytes \
  -H "Authorization: Bearer $CARTESIA_API_KEY" -H "Cartesia-Version: 2024-06-10" \
  -H "Content-Type: application/json" \
  -d '{"model_id":"sonic","transcript":"Привет","voice":{"mode":"id","id":"<voice_id>"}}' --output out.wav

Для агента подключи WebSocket-стрим и пускай аудио по мере генерации.

Когда брать, а когда нет

✅ Бери, если: строишь голосового агента/телефонию, где критична минимальная задержка диалога.
✅ Бери, если: нужен потоковый дуплекс с клонированием голоса.
❌ Не бери → лучше «ElevenLabs», если приоритет — максимальное качество/эмоции для записанного контента, а не real-time.
❌ Не бери → лучше «Kokoro TTS» (локально), если нужна бесплатная оффлайн-озвучка и задержка не критична.

Цена по-честному

Платно по объёму/символам, есть пробный лимит. Премиум за низкую задержку и стриминг. Точные суммы — у провайдера, меняются.

Подводные камни

Весь смысл в real-time: для оффлайн-озвучки переплачиваешь за ненужную скорость.
Полную задержку даёт только корректная WebSocket-интеграция; REST будет медленнее.
Качество русского проверяй на своих фразах (ударения/числа).
Клонирование — те же этические/правовые ограничения.

🤖 Промт-ускоритель

«Я делаю голосового агента на русском и беру Cartesia Sonic ради низкой задержки. Помоги настроить потоковую (WebSocket) озвучку: выбрать/клонировать голос, организовать стрим аудио по мере генерации, замерить time-to-first-audio, и связать TTS с STT и LLM в дуплексный диалог. Дай пример клиента на <Python/Node>.»

Cartesia (Sonic)