Cartesia

Cartesia a été fondée par les chercheurs à l'origine des modèles à espace d'états — l'architecture Mamba — et cela se voit sur le chiffre qui compte le plus pour la voix en direct : la latence. Sa synthèse vocale Sonic 3.5 domine régulièrement les classements vocaux temps réel, et le modèle de transcription associé Ink-2 complète une pile conçue pour les agents téléphoniques IA et les assistants interactifs où le moindre décalage brise l'illusion d'une conversation. Pour les développeurs, l'attrait est une seule équipe et API gérant à la fois la sortie et l'entrée vocales, plus le clonage de voix et un niveau gratuit généreux (environ 20k crédits par mois à 0 $) qui facilite le prototypage avant les niveaux payants Pro/Startup/Scale. Les réserves honnêtes : la tarification est à base de crédits, il faudra donc un peu d'arithmétique pour relier crédits, caractères et coût ; c'est un spécialiste de la voix plutôt qu'une plateforme IA tout-en-un ; et son catalogue de langues et de voix reste plus petit que celui d'ElevenLabs. Mais quand votre produit vit ou meurt selon l'instantanéité de la réponse vocale, Cartesia est l'une des options les plus solides du marché — et mérite d'être comparée directement à ElevenLabs avant de vous engager.