用途：当媒体生产流程需要从文本生成语音时，可选用 Cartesia Sonic。它首先是低延迟的文本转语音（TTS）服务，适合实时语音智能体、旁白、配音、虚拟形象、通知、广告和本地化等以转录文本为起点的工作流。官方也提供 Ink 语音转文本、Line 托管语音智能体、语音克隆、语音本地化、infill 和变声器，但不应笼统称为 Sonic TTS。
主要能力：Sonic 3.5 是当前生产默认模型，文档标称亚 90ms 延迟、原生支持 42 种语言，能忠实朗读转录文本，自然处理订单号等字母数字，并对英语同形异音词做上下文感知发音。提供 500+ 现成语音与自定义语音；即时克隆用不超过 10 秒的音频，训练快且免费；专业克隆（PVC）需 Startup 及以上，最少 30 分钟、推荐 2 小时，训练约 3 小时，且绑定微调时的基础模型。还支持语音本地化、变声器（保留语调换声）、发音词典、语速（0.6–1.5）、音量（0.5–2.0）和测试中的情感控制。
使用方式：TTS 请求需 model_id、transcript、voice、output_format。已知完整文本、需要流式字节用 POST /tts/bytes；需要时间戳且不便用 WebSocket 用 POST /tts/sse；长会话、LLM 增量输出、低延迟多轮用 WSS /tts/websocket。Bytes 与 SSE 每次请求只接受一段完整转录；WebSocket 支持上下文与续传：同一句复用 context_id，中间用 continue: true，结束用 continue: false，上下文在最后音频流出后 1 秒过期。请求应带 Cartesia-Version，WebSocket 可用 cartesia_version 查询参数。
适用场景与限制：适合重视首字节延迟、对话节奏、多语言与流式的生产；若需离线、气隙或不可联网渲染，应选本地或批量 TTS。转录文本应写成自然、标点完整的脚本，避免 Markdown、表情等；字母数字代码可用 <spell>。不要在单个 WebSocket 上下文中更换模型、语音、语言或输出格式。并发限制文档为 Free 2、Pro 3、Startup 5、Scale 15、Enterprise 自定义，超限返回 429；空闲 WebSocket 5 分钟关闭。计费按 credit：标准 TTS 约 1 credit/字符，PVC 约 1.5，PVC 微调 1,000,000 credits，变声器 15 credits/秒，本地化一次性 225 credits。API 密钥应在服务端使用，客户端用短期令牌。文档事实以 2026-07-10 为准，承诺预算或合规前应重新核对官方文档。