Cartesia 如何利用状态空间模型（SSM）构建超低延迟语音 AI 应用

Cartesia 使用状态空间模型（SSM）和 AWS 基础设施实现亚 100 毫秒的语音生成与识别，适用于全球范围的实时语音应用。Sonic 模型可在约 90 毫秒内生成首字音频，支持 44 种语言的超真实语音合成与少量数据语音克隆；Ink 模型具备原生轮次检测和流式转录功能，无需额外语音活动检测模型即可处理多说话人和噪声环境。开发者可通过 API 实时调用，实现接近人类对话的语音 AI 体验。