Cartesia ist eine latenzarme Text-to-Speech- und Voice-AI-API für Entwickler, die Echtzeit-Sprachagenten benötigen und nicht nur Offline-Vertonung. Das Sonic-TTS-Modell wirbt mit einer Latenz von unter 90 ms bis zum ersten Audio-Byte, und die Plattform bündelt Speech-to-Text (Ink) sowie eine Voice-Agent-Orchestrierungsschicht (Line) neben TTS, sodass sich eine komplette Konversationspipeline auf einem einzigen Stack betreiben lässt. Abgerechnet wird über ein Credit-System mit einer echten kostenlosen 0-$-Stufe und bezahlten Plänen ab 5 $/Monat, gedacht für Teams, die telefon- oder app-basierte Sprachagenten bauen, nicht für gelegentliche Vertonungsnutzer.
Wer steckt dahinter
Cartesia wurde von den Stanford-AI-Lab-Forschern Karan Goel (CEO), Albert Gu, Arjun Desai und Brandon Yang gegründet, die State Space Models (SSMs) erfunden haben — die Architektur, mit der Cartesia anstelle von Transformern schnellere und effizientere Sprachgenerierung erreicht. Das Unternehmen hat insgesamt rund 191 Mio. $ eingesammelt, darunter eine 100-Mio.-$-Runde mit Beteiligung von NVIDIA, Kleiner Perkins, Index Ventures und Lightspeed.
Kernfunktionen
- Sonic-Text-to-Speech-Modell mit beworbener Latenz von unter 90 ms für Echtzeit-Konversationsanwendungen
- Nativ mehrsprachige Sprachgenerierung in über 40 Sprachen, mit Instant-Voice-Cloning aus rund 10 Sekunden Referenzaudio
- Geklonte Stimmen lassen sich in 42 Sprachen lokalisieren, wobei Tonfall und Sprecheridentität erhalten bleiben
- Ink-Speech-to-Text-Modell für Streaming-Transkription, inklusive Turn-Detection (Erkennung, wann ein Nutzer fertig gesprochen hat)
- Line: eine Voice-Agent-Plattform zum Bauen und Deployen von Telefon-/Sprach-Bots, separat abgerechnet mit 0,06 $/Minute Agenten-Gesprächszeit plus 0,014 $/Minute für Cartesia-Telefonnummern
- Flexible Bereitstellung via Cloud-API, On-Premise oder On-Device-Modelle, dazu REST-API-Zugriff dokumentiert unter docs.cartesia.ai
Preise
- Free: 0 $/Monat — 20.000 Credits (ca. 27 TTS-Minuten oder ~1 Std. 51 Min. STT), 1 Voice-Agent-Slot, 8 gleichzeitige Calls; keine kommerzielle Nutzungslizenz
- Pro: 5 $/Monat — 100.000 Credits, ergänzt kommerzielle Nutzungslizenz und Instant-Voice-Cloning, 3 Agenten-Slots, 12 gleichzeitige Calls
- Startup: 49 $/Monat — 1,25 Mio. Credits, professionelles Voice-Cloning und Organisationsfunktionen, 5 Agenten-Slots, 20 gleichzeitige Calls
- Scale: 299 $/Monat — 8 Mio. Credits, priorisierter Support und höhere Concurrency, 10 Agenten-Slots, 60 gleichzeitige Calls
- Enterprise: individuelle Preise mit angepassten Credit-/Concurrency-Limits, DPAs/BAAs, SSO und dediziertem Support
- Zusätzlich zum monatlichen Credit-Kontingent werden auf allen bezahlten Stufen Voice-Agent-Minuten (0,06 $/Min.) und Cartesia-Telefonnummern (0,014 $/Min.) separat abgerechnet; aktuelle Zahlen bitte auf cartesia.ai/pricing prüfen, da sich nutzungsbasierte Preise ändern können
Für wen
Entwickler, die einen Sprachagenten oder eine TTS-Funktion prototypisch testen, können vollständig kostenlos mit dem 20K-Credit-Plan starten — allerdings fehlt der Free-Stufe eine kommerzielle Nutzungslizenz, die erst der 5-$/Monat-Plan Pro zusammen mit Instant-Voice-Cloning hinzufügt. Teams, die produktive Telefon- oder In-App-Sprachagenten mit echtem Anrufvolumen betreiben, sind die Zielgruppe für Startup und Scale, wo Minutenkosten für Agenten/Telefonie und höhere Concurrency-Limits stärker ins Gewicht fallen als die reine Credit-Anzahl.