Cartesia 如何在 AWS 上构建超低延迟语音 AI 应用

Cartesia 基于自研 State Space Model（SSM）架构，在 AWS 上提供 Sonic 文本转语音与 Ink 语音转文字模型，两者首字节延迟均低于 100ms，其中 Sonic 首次音频输出约 90ms。Sonic 支持 44 种以上语言、10 秒音频样本克隆音色与流式合成，Ink 则内置原生轮次检测和上下文感知断句，可直接输出实时部分转写。