Cartesia

Cartesia は音声 AI の最難関の制約 — レイテンシ — を攻めます。応答が約 500ms を超えると電話の会話は壊れます。Cartesia の Sonic モデルは数十ミリ秒で自然な音声を生成し、AI エージェントが違和感なくライブ通話できます。研究の家系も本物です。創業者は業界全体で使われる状態空間アーキテクチャ Mamba の生みの親です。

音声エージェント（コールセンター、チューター、ライブ翻訳、ゲーム）を作る開発者にとって、スタジオ品質のナレーションに寄せた ElevenLabs に対し、Cartesia は既定の選択になりつつあります。ボイスクローンとチェンジャーは同意確認フローで整備済み。代償は API ファーストで消費者アプリがないこと、そしてクローンのガードレールがカジュアルなツールより厳しい確認を求めること。エージェントが「今」話す必要があるなら、これがインフラ層です。