Le secteur technologique continue de livrer des avancées remarquables.
Cartesia lance Sonic-3.6 : un modèle d’IA de synthèse vocale en streaming qui domine désormais les deux principaux champs d’application de la synthèse vocale artificielle
Cartesia a lancé Sonic-3.6, la toute dernière version de son modèle de synthèse vocale en temps réel. Elle arrive environ trois mois après Sonic-3.5. La nouveauté réside dans le naturel de la synthèse, et ce critère peut être vérifié de manière indépendante. Sonic 3.6 occupe désormais la première place sur les deux classements de synthèse vocale d’Artificial Analysis : 1 283 Elo dans le classement « Provider Voice » et 1 123 dans le classement « Controlled Voice ». C’est ce deuxième résultat qui a le plus d’importance. Cette carte clone chaque modèle d’IA sur les huit voix de référence identiques, ce qui isole le moteur de synthèse du catalogue de voix. Sonic-3.6 arrive en tête, suivi de Sonic-3.5 en deuxième position et d’ElevenLabs Eleven v3 en troisième position. Le système fonctionne sur des modèles d’espace d’état plutôt que sur des transformateurs, et Cartesia annonce un temps de réponse inférieur à 90 ms jusqu’au premier son. Il est proposé en version bêta.
Dans la foulée, oUI, cette fonctionnalité est accessible en version bêta et sous forme d’API hébergée. Elle n’est pas proposé sous forme de poids auto-hébergés.
Sonic est un modèle commercial fermé. Il n’y a pas de éléments ouvertes ni de dépôt Hugging Face. Il s’agit d’un service de location.
Sonic s’appuie sur des modèles d’espace d’états plutôt que sur des transformateurs. La page de lancement de Cartesia présente les compromis habituels — rapidité contre naturel, précision contre coût — comme des choix architecturaux et non comme des fatalités.
Le résultat concret correspond au délai avant la première sortie audio. Cartesia annonce une latence TTS inférieure à 90 ms et une latence de transcription de 100 ms pour son modèle de reconnaissance vocale Ink-2. Dans les deux cas, il s’agit de la latence du modèle indiquée par le fournisseur, et non de temps de transit de bout en bout mesurés.
D’un autre côté, sonic présente des commandes conçues pour les transcriptions des agents plutôt que pour la narration :
Précisons, les démos de mise en service de Cartesia présentent un anglais ponctué de pauses naturelles et de mots de remplissage, ainsi qu’un « Hinglish », mélange de l’hindi et de l’anglais.
Les implications concrètes de cette annonce se dessineront progressivement.
Pour aller plus loin :
- OpenAI présente de nouvelles mesures de sécurité après le piratage de son IA Hugging Face
- L’auto-amélioration récursive de l’IA pourrait ne pas intervenir aussi rapidement que prévu, après tout
Via MarkTechPost : MarkTechPost