Cartesia lance Sonic-3.6, un modèle de synthèse vocale en flux en tête des deux classements d'Artificial Analysis
Cartesia a dévoilé Sonic-3.6, sa nouvelle version de synthèse vocale en temps réel, environ trois mois après Sonic-3.5. Le modèle occupe désormais la première place sur les deux classements d'Artificial Analysis dédiés à la voix, avec un score Elo de 1 283 sur le tableau Provider Voice et de 1 123 sur le tableau Controlled Voice, ce dernier étant jugé plus significatif puisqu'il clone chaque modèle sur les huit mêmes voix de référence, isolant ainsi la qualité du moteur de synthèse de celle du catalogue de voix. Sur ce classement contrôlé, Sonic-3.6 devance Sonic-3.5, suivi d'Eleven v3 d'ElevenLabs en troisième position. Le modèle repose sur une architecture à base de modèles à espace d'états plutôt que sur des transformeurs, et Cartesia annonce un délai avant premier son inférieur à 90 millisecondes. Il est disponible en version bêta uniquement via l'API hébergée de Cartesia, sans poids ouverts ni dépôt Hugging Face. Les tarifs s'échelonnent d'un accès gratuit à un plan Pro à 5 dollars, puis Startup à 49 dollars et Scale à 299 dollars par mois pour environ 10 667 minutes de synthèse vocale, avec une facturation séparée à 0,06 dollar la minute pour les agents vocaux téléphoniques.
Résumé et traduction réalisés par Le Fil IA à partir de MarkTechPost. Lire l'article original →
Cette avancée compte parce qu'elle valide un choix architectural risqué face aux transformeurs dominants du secteur, et parce qu'elle cible directement les usages professionnels d'automatisation vocale : centres d'appels, agents de support entrants, qualification d'appels sortants, remplacement de serveurs vocaux interactifs, rappels de rendez-vous ou encore localisation audio. Des secteurs comme la finance, la santé, le commerce de détail, la logistique et le recrutement sont explicitement visés, avec des garanties de conformité (accords de traitement des données, conformité HIPAA, authentification unique) pour les entreprises réglementées. Le prix normalisé de 49 dollars par million de caractères place Sonic-3.6 à la moitié du tarif d'ElevenLabs Eleven v3, tout en restant nettement plus cher que Speechify Simba 3.2, facturé 10 dollars pour un score de 1 240 Elo, ce qui illustre une bataille tarifaire intense dans un marché encore jeune.
Le lancement s'inscrit dans une course accélérée entre fournisseurs de synthèse vocale, où la latence, le réalisme et le contrôle fin de l'expression deviennent les principaux terrains de différenciation depuis l'essor des agents vocaux d'entreprise. Sonic expose des fonctionnalités pensées pour les transcriptions d'agents plutôt que pour la narration classique : balises d'expression non verbale comme le rire insérées directement dans le texte, clonage vocal instantané à partir d'environ dix secondes d'audio, dictionnaires de prononciation personnalisés avec substitutions IPA, et lecture native des chiffres et codes alphanumériques sans prétraitement. Les documents techniques de Cartesia listent toutefois encore Sonic-3.5 comme version stable, plusieurs partenaires continuant d'utiliser cette ancienne mouture en attendant la sortie officielle de la 3.6. Les chiffres de latence restent des mesures fournies par le fabricant, non des tests de bout en bout indépendants, ce qui invite les entreprises intéressées à vérifier elles-mêmes les performances réelles avant tout déploiement à grande échelle.
Pas d'impact direct sur la France/UE