美国语音生成领域迎来重要突破——初创企业Cartesia正式推出新一代语音模型Sonic-3，并宣布完成1亿美元战略融资，英伟达成为核心投资方。这款采用非Transformer架构的模型凭借其低延迟特性在实时语音交互领域引发关注，数千家企业已将其应用于每月数百万次对话处理。
技术团队构成堪称"学术全明星"：由5位斯坦福AI实验室研究员创立的Cartesia，其核心成员包括Mamba架构主要开发者Albert Gu、前谷歌大脑工程师Brandon Yang，以及拥有斯坦福与卡内基梅隆双重学术背景的CEO Karan Goel。团队将状态空间模型（SSM）研究成果转化为商业应用，Albert Gu更凭借技术贡献入选《时代》杂志2024年全球影响力人物榜单。
与传统Transformer模型不同，Sonic-3采用的SSM架构通过持续理解对话脉络实现高效预测。实测显示，该模型中文生成响应时间仅2秒，虽流畅度有待提升，但英文表现已达自然水准，纪录片旁白测试中几乎无法分辨AI痕迹。仅90毫秒的模型延迟与190毫秒端到端响应，使系统跻身全球最快实时语音AI之列。
功能层面，Sonic-3支持42种语言与500余种音色选择，中文提供10种声线，英文细分为11种地域口音。通过API参数与SSML标签，用户可精确控制音量、语速及情感表达，甚至实现笑声、语调等微妙情感转换。新增的语音克隆功能支持微调，使生成语音更贴近参考原声，自动缓冲技术则显著提升实时交互的流畅性。
商业应用方面，Cartesia构建的企业级平台集成文本转语音（Sonic）与语音转文本（Ink）模型，支持客户构建具备复杂任务处理能力的语音Agent。ServiceNow等企业已将其用于客户支持、日程管理等场景，产品副总裁Ravi Krishnamurthy评价称："SSM架构为企业级应用带来了前所未有的速度与质量。"
融资进程显示市场高度认可：2024年12月获Index Ventures领投的2700万美元种子轮融资后，仅隔3个月便完成6400万美元A轮融资。此轮1亿美元战略融资将加速技术迭代，在MiniMax、ElevenLabs等竞争对手环伺的AI音频生成赛道，Cartesia正以SSM架构开辟差异化竞争路径。
