Was ist Cartesia Sonic 3.6?
Sonic 3.6 ist seit dem 27. August 2026 allgemein verfügbar (Snapshot sonic-3.6-2026-08-27). Laut Cartesia ist es vollständig abwärtskompatibel mit Sonic 3.5, übernimmt Professional Voice Clones aus älteren Modellen und passt Tempo, Pausen und Intonation ohne SSML-Tags an das Transkript an.
Es spricht 44 Sprachen, neu sind Odia und Urdu, und kommt besser mit Hinglish sowie indischen Namen und Orten zurecht. Cartesia bietet datierte Snapshots, die sich nie ändern, einen fortlaufenden Alias sonic-3.6, der dem jeweils neuesten stabilen Snapshot folgt, und einen Kanal sonic-preview, der sich ohne Ankündigung ändern kann.
Was kostet Cartesia Sonic 3.6?
| Tarif | Preis | Was enthalten ist |
|---|---|---|
| Free | Free | 20K Credits/Monat, keine kommerzielle Lizenz |
| Pro | $5 | 100K Credits |
| Startup | $49 | 1,25 Mio. Credits |
| Scale | $299 | 8 Mio. Credits |
Free 20K Credits/Monat (keine kommerzielle Lizenz); Pro 5 $ (100K), Startup 49 $ (1,25 Mio.), Scale 299 $ (8 Mio.); Mehrnutzung 38 $ bis 65 $ pro 1 Mio. Credits. Ein Credit entspricht einem Zeichen, etwa 750 bis 800 pro Minute Audio.
Lohnt sich Cartesia Sonic 3.6?
Sonic 3.6 steht in der Speech-Arena von Artificial Analysis mit 1289 Elo auf Platz vier, hinter Eleven v4 Turbo (1335), Eleven v4 (1329) und Alibabas Qwen-Audio-3.1-TTS-Plus (1301). Das ist ein Sprung um 98 Punkte gegenüber Sonic 3.5 zum gleichen Preis von 49 $ pro Million Zeichen, und es bringt Cartesia 11 Punkte vor Gemini 3.8 Flash TTS.
Beim Preis liegt es in einer unbequemen Mitte. Eleven v4 Turbo steht höher und kostet im Vergleich von Artificial Analysis 40 $ pro Million Zeichen, während Gemini 3.8 Flash TTS (16,5 $) und Qwen-Audio-3.1 (19,3 $) bei Werten innerhalb von etwa 12 Punkten deutlich weniger als die Hälfte kosten. Cartesias Argument ist stattdessen die Infrastruktur für Agenten: eine WebSocket-API mit Context IDs für das Streamen von Teiltranskripten, Zeitstempel für Wörter und Phoneme, Telefonie-Kodierungen wie mu-law mit 8 kHz und eine gehostete Agentenplattform für 0,06 $ pro Minute.
Die Versionierung ist der stärkste Grund, es im Produktivbetrieb einzusetzen. Datierte Snapshots ändern sich nach der Veröffentlichung nie, eine Contact-Center-Stimme lässt sich also einfrieren, während das Team die nächste prüft, und Cartesia veröffentlicht keine Abschaltdaten für ältere Snapshots. Bei der Latenz sieht es anders aus: Die Doku nennt Sonic das schnellste Modell, gibt aber keinen Wert für die Zeit bis zum ersten Audio an, die Latenz musst du also mit deinem eigenen Traffic messen.
Die Datenbedingungen verdienen Aufmerksamkeit vor einem Einsatz in regulierten Bereichen. Cartesias Datenschutzerklärung, zuletzt im Juni 2024 überarbeitet, sagt, dass hochgeladene Texte, Sprachaufnahmen und erzeugtes Audio zum Training der Modelle genutzt werden können, mit einem Opt-out-Formular, das erst ab dem Tag der Einreichung gilt. AV-Verträge, BAAs, SSO und On-Premise- oder VPC-Bereitstellung gibt es nur mit Enterprise, während SOC 2 Type II das ganze Unternehmen abdeckt.
Wo es sich lohnt
Ein Voice-AI-Start-up mit einem ausgehenden Agenten für Terminbuchungen
Bei Telefonaten mit einer stabilen Markenstimme sprechen, ohne jeden Monat neu zu testen
Fixiere sonic-3.6-2026-08-27 über die WebSocket-API mit pcm_mulaw bei 8 kHz für die Telefonie. Startup für 49 $ bietet 1,25 Mio. Credits, rund 1.600 Minuten Sprache, und 5 parallele Streams.
Ein Contact-Center-Leiter mit 100.000 Minuten Agentensprache im Monat
TTS für eine KI-Frontline budgetieren, die die IVR-Warteschleife ersetzt
Bei etwa 800 Zeichen pro Minute sind das 80 Mio. Credits: die 8 Mio. von Scale für 299 $ plus 72 Mio. zu 38 $ pro Million, etwa 3.000 $ im Monat. Eleven v4 Turbo kostet zu seinem Satz von 40 $ etwa 3.200 $; Gemini 3.8 Flash TTS zum Satz von Artificial Analysis etwa 1.300 $.
Ein Ed-Tech-Produktteam für Lernende in Indien
Lektionen auf Hindi, Hinglish, Odia und Urdu vorlesen
Lege Sprache oder Locale pro Anfrage fest; 3.6 hat Odia und Urdu mit Instant Cloning ergänzt und Hinglish verbessert. Widersprich dem Training über das Formular zu den Datenkontrollen, bevor du Stimmproben von Lehrkräften hochlädst.
Bevor du dich festlegst
- Einrichtung
- API-Schlüssel aus dem Cartesia Playground; rufe sonic-3.6 oder einen datierten Snapshot über REST oder WebSocket auf. Instant Voice Cloning braucht Pro oder höher; Professional Clones brauchen Startup (2 Plätze) oder Scale (4).
- Integrationen
- WebSocket-Streaming mit Context IDs, Flush und Cancel; Zeitstempel für Wörter und Phoneme; Ausgabe in PCM und mu-law/A-law von 8 bis 48 kHz; Cartesias eigene Agentenplattform und Telefonnummern.
- Daten und Datenschutz
- Die Datenschutzerklärung (Juni 2024) erlaubt das Training mit hochgeladenen Texten, Audio und Ausgaben, sofern du nicht per Formular widersprichst, und nennt keine Aufbewahrungsfrist. SOC 2 Type II unternehmensweit; AV-Verträge, BAAs, SSO und On-Premise- oder VPC-Bereitstellung nur mit Enterprise.
- Kosten im großen Maßstab
- Etwa 750 bis 800 Credits pro Minute Audio. 100.000 Minuten im Monat sind rund 80 Mio. Credits, etwa 3.000 $ mit Scale bei Mehrnutzung zu 38 $ pro Million; Enterprise-Mengenpreise sind nicht veröffentlicht. Agenten kosten zusätzlich 0,06 $ pro Minute.
- Grenzen
- Parallele TTS-Streams: 2 bei Free, 3 bei Pro, 5 bei Startup, 15 bei Scale. Ist die Mehrnutzung abgeschaltet, werden Anfragen blockiert, sobald die Credits aufgebraucht sind. Der Textpuffer wartet standardmäßig bis zu 3 Sekunden, bevor er generiert.
Was gut ist
- Platz vier in der Speech-Arena von Artificial Analysis, 98 Elo über Sonic 3.5
- Datierte Snapshots, die sich nie ändern
- Streaming-WebSocket-API mit Zeitstempeln für Wörter und Phoneme
- 44 Sprachen, jetzt auch Odia und Urdu
Was nicht
- Trainiert standardmäßig mit Kundeninhalten; der Widerspruch läuft über ein Formular
- Kostet pro Zeichen mehr als das höher platzierte Eleven v4 Turbo
- Keine veröffentlichten Latenzwerte
- Free hat keine kommerzielle Lizenz; Parallelität beginnt bei 2 Streams
Am besten für
Teams, die Voice Agents für den Produktivbetrieb bauen und stabile, versionierte Stimmen zu einem moderaten Preis wollen.
Alternativen zu Cartesia Sonic 3.6
Cartesia Sonic 3.6: häufige Fragen
- Lohnt sich Cartesia Sonic 3.6?
- Sonic 3.6 hat den Abstand zu ElevenLabs in einem einzigen Release größtenteils geschlossen und kostet pro Zeichen weniger als Eleven v4, trainiert aber mit Kundeninhalten, solange du nicht widersprichst. Wir bewerten es mit 4.4 von 5.
- Was kostet Cartesia Sonic 3.6?
- Free 20K Credits/Monat (keine kommerzielle Lizenz); Pro 5 $ (100K), Startup 49 $ (1,25 Mio.), Scale 299 $ (8 Mio.); Mehrnutzung 38 $ bis 65 $ pro 1 Mio. Credits. Ein Credit entspricht einem Zeichen, etwa 750 bis 800 pro Minute Audio.
- Welche Nachteile hat Cartesia Sonic 3.6?
- Trainiert standardmäßig mit Kundeninhalten; der Widerspruch läuft über ein Formular; Kostet pro Zeichen mehr als das höher platzierte Eleven v4 Turbo; Keine veröffentlichten Latenzwerte; Free hat keine kommerzielle Lizenz; Parallelität beginnt bei 2 Streams.
- Für wen eignet sich Cartesia Sonic 3.6?
- Teams, die Voice Agents für den Produktivbetrieb bauen und stabile, versionierte Stimmen zu einem moderaten Preis wollen.
- Was kostet Cartesia Sonic 3.6 für ein Team oder im Produktivbetrieb?
- Etwa 750 bis 800 Credits pro Minute Audio. 100.000 Minuten im Monat sind rund 80 Mio. Credits, etwa 3.000 $ mit Scale bei Mehrnutzung zu 38 $ pro Million; Enterprise-Mengenpreise sind nicht veröffentlicht. Agenten kosten zusätzlich 0,06 $ pro Minute.
- Ist Cartesia Sonic 3.6 sicher für Firmendaten?
- Die Datenschutzerklärung (Juni 2024) erlaubt das Training mit hochgeladenen Texten, Audio und Ausgaben, sofern du nicht per Formular widersprichst, und nennt keine Aufbewahrungsfrist. SOC 2 Type II unternehmensweit; AV-Verträge, BAAs, SSO und On-Premise- oder VPC-Bereitstellung nur mit Enterprise.
- Was sind die besten Alternativen zu Cartesia Sonic 3.6?
- Die nächsten Alternativen, die wir getestet haben, sind Eleven v4 and v4 Turbo und Gemini 3.8 Flash TTS.
Antworten geprüft am 22. Okt. 2026.