AWS 博客：Cartesia 用状态空间模型在 AWS 上构建低延迟语音 AI

核心事实

AWS 官方博客刊文介绍 AWS 合作伙伴 Cartesia 在 AWS 上构建实时语音 AI 应用的方案。据文章描述，Cartesia 采用专门设计的状态空间模型（State Space Model，SSM）架构，推出两款生产级模型：用于语音合成的 Sonic 与用于语音转写的 Ink，二者均针对流式推理优化。文章称 Sonic 的首个音频字节延迟约为 90 毫秒，并支持流式生成、声音克隆与多语言输出；Ink 则具备原生轮次检测、上下文感知断句与流式转写等能力。上述指标均为厂商自述，尚未获独立验证。

背景与影响

文章指出，传统基于 Transformer 的语音合成模型需要处理完整序列后才输出结果，质量与延迟之间存在张力；SSM 以固定大小的隐藏状态逐步处理输入，计算开销随序列增长较平缓，因而更适合实时语音流。文章列举的应用场景包括客服中心、远程医疗、游戏与虚拟世界、无障碍工具以及销售外呼。在部署层面，Sonic 以 Amazon SageMaker AI 模型包形式通过 AWS Marketplace 提供，可部署在用户自有虚拟私有云（VPC）内的端点，推理数据不离开账户；Ink 目前通过 Cartesia API 提供，可在 AWS Marketplace 购买。

限制与来源

本文信息来自 AWS 博客文章，属厂商与云服务商联合发布的技术介绍，文中延迟、语言数量、克隆所需样本时长等数据均未提供第三方评测佐证。具体可用区域、定价、订阅流程与功能支持情况可能变化，请以 AWS Marketplace 与 Cartesia 官网当前信息为准。本文不构成选型或采购建议。