Cartesia

一句話結論

Cartesia 是給「要做會講話的產品」的開發者用的語音 API，不是讓你貼一段稿子就下載 MP3 的配音工具。如果你在做電話客服機器人或語音代理，它的低延遲、可鎖定版本、透明計價都很加分；但要注意中文語音辨識只能用上一代 ink-whisper，9 月推出的 Ink 2 目前不支援中文。

它到底做什麼

三條產品線：Sonic 文字轉語音、Ink 串流語音辨識、Managed Agents 託管語音代理（可以配電話號碼接打電話）。技術底子是狀態空間模型，團隊是 Mamba 架構的研究者，主打夠快到能即時對話。最新 TTS 是 sonic-3.6，支援 44 種語言，可以用 sonic-3.6-2026-08-27 這種帶日期的快照鎖住聲音，避免模型更新後客服語氣突然變了。部署有雲端區域節點、地端與裝置端，官網列出的客戶有 ServiceNow、Retell、Quora，EliseAI 每月跑 500 萬通以上電話。

實際用起來的重點

我沒有串接過，以下依官網與開發者文件整理。最關鍵的發現在語言表：Sonic 3.6 的清單裡中文只寫「Chinese (zh)」，沒有區分台灣口音；而 9 月推出的 ink-2，文件列的語言只有英、法、印地、日、西五種，沒有中文；上一代 ink-whisper 的清單則有中文（zh）與粵語（yue）。換句話說，做中文語音代理時，要嘛留在舊模型，要嘛耳朵（STT）改找 Deepgram 或 Speechmatics 這類服務，把嘴巴（TTS）交給 Cartesia。官網引用 Artificial Analysis 排行榜說自己排名第一，但沒附分數和日期，採購前建議自己去排行榜確認。

優點

• 帶日期的模型快照，正式環境的聲音不會無預警改變。
• 計價規則寫得很清楚：TTS 一個字元 1 點，中文一個字就是 1 點，成本好估。
• 未用完的點數可結轉，上限是月額的 2 倍。
• 支援地端與裝置端部署，對資料不能出境的客戶是少見的選項。

缺點

• Ink 語音辨識不支援中文，中文場景只用得到一半。
• 沒有給非工程師的配音編輯介面，做 YouTube 旁白不如 ElevenLabs 順手。
• 官網沒公布延遲毫秒數，「最快」只能自己測。
• 免費方案不能用聲音複製，商用授權從 Pro 開始。

適合誰／不適合誰

適合在 Vapi、Retell AI、LiveKit 上做語音代理的工程團隊，以及需要地端部署的金融、醫療客戶。不適合只想做有聲書、Podcast 旁白的創作者，也不適合需要台語、客語或明確台灣腔的專案。

價格觀察

Free 每月 2 萬點；Pro 每月 5 美元 10 萬點（可商用、即時聲音複製）；Startup 每月 49 美元 125 萬點（2 組專業聲音複製）；Scale 每月 299 美元 800 萬點；Enterprise 洽談。一分鐘語音約 750 到 800 點，STT 每秒 3 點。託管語音代理另用預付美元計費，每分鐘 0.06 美元，用 Cartesia 電話號碼再加每分鐘 0.014 美元。開啟超量後 Pro 每百萬點 65 美元、Scale 降到 38 美元。

替代方案

語音合成：ElevenLabs、Fish Audio、MiniMax、Rime、Hume AI；語音辨識：Deepgram、AssemblyAI、Speechmatics。

台灣觀點

台灣的電話客服、預約、催繳場景很適合語音代理，但 Cartesia 在這裡的定位是「中文 TTS 引擎之一」，不是一站式方案。導入前拿一段含台灣地名、人名、門號與金額的稿子，用免費 2 萬點實際聽，「新北市三重區」「0912」這種念法最容易露餡。客服電話若要錄音或用聲音複製，記得先取得當事人同意。計價全是美元，以 Startup 方案來說，每月約一千五百多元新台幣就有 125 萬點，對中小型專案算好入門。

評分

3.9 / 5。延遲導向的設計、版本鎖定與計價透明很專業；扣分在中文語音辨識缺席、中文口音無法選擇，以及效能數字多為自家宣稱。