Sonic-3.6 登上兩套人評語音榜首，官方延遲數字仍非端到端量測

Cartesia 在8月18日開放 Sonic-3.6 測試，主打即時語音代理所需的自然節奏、情緒表達、跨語言切換及低延遲串流。官方產品頁列出逾40種語言、10秒語音複製、自訂發音字典，以及在文字中插入笑聲等非語言表達；系列採用狀態空間模型路線，以持續處理序列降低即時生成成本，而非為每個新音訊片段重新處理全部歷史內容。

較值得注意的是獨立人評結果。Artificial Analysis 同時維護兩種 Speech Arena：Provider Voices 使用各供應商自行挑選的原生聲線，容易同時反映聲優、錄音及模型品質；Controlled Voices 則把模型套用至相同參考聲線，較能隔離合成引擎本身。發布時的公開結果顯示，Sonic-3.6 在兩榜均列第一，報道記錄的 Elo 分別為1,283及1,123。後者尤其重要，因為它降低了供應商以優質預設聲線取得優勢的可能，但仍屬聽眾成對偏好，不等同字錯率、說話者相似度或特定中文腔調測試。

官方宣稱 time-to-first-audio 低於90毫秒，工程團隊不應直接把它當成使用者感受到的往返延遲：API區域、文字分段、網路、音訊緩衝及客戶端播放都會增加時間。Cartesia亦未公開Sonic-3.6的參數量、訓練資料、逐語言測試或完整模型卡。接下來應觀察固定中文語料的盲測、長句穩定度、並發下尾端延遲，以及正式API是否提供不可變版本識別碼，避免模型更新令生產聲音漂移。