Hecho para agentes de voz que no pueden esperar 600ms

Cartesia: Sonic 3.6

cartesia/sonic-3-6
activo tts 1 proveedor
Playground

Cartesia's most lifelike text-to-speech model (recommended), #1 on the Artificial Analysis Speech Arena leaderboards, with sub-90ms latency and native support for 44 languages.

AutorCartesia
Idiomas44 idiomas
VocesCargando...
Formatos de respuestaSíncrono: MP3 · WAV · PCM · µ-law · A-law
Streaming: PCM · µ-law · A-law
Modelos variantes2 IDs
Estadoactivo

Modelos variantes

Son IDs de modelo nativos que el autor o proveedor acepta para la misma familia de modelos canónica.

Sonic 3.6 Default
sonic-3.6
Sonic 3.6 (pinned snapshot) Variant
sonic-3.6-2026-08-27

Proveedores

Distintos proveedores pueden alojar el mismo modelo. Elige un proveedor cuando necesites un backend fijo, o deja que el enrutamiento elija entre ellos.

ProveedorSlugPor 1k caracteresLatenciaiEn TTS, la latencia se mide como el tiempo hasta el primer byte de audio. En STT, se mide como el tiempo hasta el primer token.ModosDisponibilidad
Cartesia 7 parámetros
cartesia
$0,03738
—
Síncrono · Streaming

Idiomas admitidos

44 idiomas
English en
French fr
German de
Spanish es
Portuguese pt
Chinese zh
Japanese ja
Hindi hi
Italian it
Korean ko
Dutch nl
Polish pl
Russian ru
Swedish sv
Turkish tr
Tagalog tl
Bulgarian bg
Romanian ro
Arabic ar
Czech cs
Greek el
Finnish fi
Croatian hr
Malay ms
Slovak sk
Danish da
Tamil ta
Ukrainian uk
Hungarian hu
Norwegian no
Vietnamese vi
Bengali bn
Thai th
Hebrew he
Georgian ka
Indonesian id
Telugu te
Gujarati gu
Kannada kn
Malayalam ml
Marathi mr
Punjabi pa
Odia or
Urdu ur

Voces

Funciones

Text to speech

Generates spoken audio from text input.

text_to_speech
Streaming

Low-latency streaming TTS over WebSocket; raw PCM output (pcm_f32le/pcm_s16le/pcm_mulaw/pcm_alaw).

streaming
Synchronous

Synthesizes speech from fully-submitted text in a single synchronous request.

synchronous
Multilingual

Supports 44 languages (adds Odia and Urdu over Sonic 3.5).

multilingual
Voice cloning

Supports instant and professional voice clones.

voice_cloning
Speed & emotion control

Speed (0.6-1.5, default 1.0), volume (0.5-2.0, default 1.0) and emotion control (neutral/calm/angry/content/sad/scared; emotion guidance is English-only).

speed_emotion_control

Código

Cliente
Modo
Lenguaje

TTS en streaming con el ElevenLabs SDK

Enruta el ElevenLabs SDK a través de AllModels y transmite la respuesta de audio.

import { ElevenLabsClient } from "elevenlabs";

const client = new ElevenLabsClient({
  apiKey: process.env.ALLMODELS_API_KEY,
  baseUrl: "https://api.allmodels.io/el"
});

const stream = await client.textToSpeech.stream("voice_id", {
  text: "I'm sorry, Dave. I'm afraid I can't do that.",
  modelId: "cartesia/sonic-3-6",
  outputFormat: "mp3_44100_128"
}, {
  queryParams: {
    provider: {
      "only": [
        "cartesia"
      ]
    }
  }
});

const reader = stream.getReader();
for (;;) {
  const { done, value } = await reader.read();
  if (done) break;
  // Write value to your response, file, or audio playback pipeline.
}