Cartesia — KI für Musik, Audio & Sprachproduktion

Cartesia ist eine Sprachplattform für Entwickler, die Echtzeit-Sprachprodukte entwickeln. Die Homepage listet Sonic für Text-to-Speech, Ink für Speech-to-Text, Managed Agents für Sprach-Agenten bei Telefongesprächen und eine Sprachbibliothek auf. Es wird angegeben, dass die Modelle auf State-Space-Modellen basieren, was das Unternehmen auf geringe Latenz zurückführt, und es bietet Cloud-, On-Premise- und On-Device-Bereitstellung, Regions-Inferenz sowie eine API, Dokumentation, Cookbooks und einen MCP-Server. Die Seite nennt keine Latenzzahlen. Sie listet Sprache in 44 Sprachen auf und beruft sich auf Rankings der Bestenlisten von Artificial Analysis als Herstellerangabe. Die Preisseite ist übersichtlich. Free kostet $0 mit 20K monatlichen Credits, etwa 27 Text-to-Speech-Minuten, und deckt Text-to-Speech sowie Speech-to-Text ab. Pro für $5 pro Monat fügt eine kommerzielle Nutzungslizenz und sofortiges Stimmklonen hinzu. Startup für $49 fügt professionelles Stimmklonen und Organisationen hinzu, Scale für $299 fügt priorisierten Support hinzu und Enterprise ist individuell. Text-to-Speech kostet 1 Credit pro Zeichen und Speech-to-Text 3 Credits pro Sekunde. Sprach-Agenten kosten $0.03 pro Minute, Telefonie kostet $0.014 pro Minute und die LLM-Nutzung während Anrufen wird separat abgerechnet. Free hat nur 2 gleichzeitige TTS-Anfragen und keine professionellen Stimmklone. Cartesia passt zu Teams, die Sprach-Apps und -Agenten entwickeln; wenn Sie nur ein einfaches Erzählstudio suchen, ist ein Tool mit visuellem Editor möglicherweise einfacher.