AI语音Sonic-3.6

一个叫 Cartesia 的公司，悄悄把 AI 语音的天花板顶了一下。

本周，它发布了新一代语音模型 Sonic-3.6。官方说法有点抽象，说人话就是：AI 开口说话，越来越像人了。

最夸张的数据是一个：在 15 个地区的盲测里，最高有 93% 的人觉得它比其他 AI 声音更好听。跟业内标杆比，92% 的人投了它。

这意味着什么？意味着在"像人"这件事上，AI 已经把门槛拉到普通耳朵分辨不出来的程度。

它能干什么？44 种语言，61 个地区口音，500 多个预置声音。还会中英混说——一句话里中英文来回切，不像以前那样卡壳。

延迟不到 90 毫秒。快到什么程度？你说完，它几乎同时接上。真人打电话也就是这个节奏。

生成速度还快了近一倍。以前要等几秒，现在基本是即时出活。

这家公司给自己的定位是"企业级"。99.9% 的可用性承诺，SOC 2、HIPAA 这些合规证书也配齐了。意思是：别把它当玩具，它准备进生产环境了。

说点我的看法。

AI 卷完文本、卷图片、卷视频，现在轮到声音。但真正值得注意的是一个趋势：AI 的声音，正从"能说"变成"像人"。语音助手、客服、有声书，甚至虚拟人，很快都要换血。

而判断标准也朴素得很——你听不出来它是机器，它就赢了。

这轮竞赛，比的不再是谁的音色好听，而是谁先让人忘记自己在跟 AI 说话。

以后的客服电话、播客、甚至骚扰电话，可能都分不出真假。技术是好技术，可声音太像人，既是福音，也是麻烦。

还是那句老话：技术无罪，关键看谁在用。