Cartesia (音声合成モデル)
読み: かーてぃしあ
最終更新: 2026-07-21・AI PICKS編集部
定義
Cartesiaとは、State Space Model(SSM)系アーキテクチャを用いた低遅延音声合成(TTS)モデルを開発するスタートアップ、またはそのモデル自体を指す言葉のこと。
Cartesia (音声合成モデル)とは — 詳しく解説
Cartesiaは、Transformerではなく State Space Model(SSM)系アーキテクチャを採用した音声合成(TTS)モデルを提供するスタートアップとして知られ、代表製品「Sonic」は低遅延性を武器にリアルタイム音声エージェント向けの選択肢として広く採用されているとされる。業界標準的にはElevenLabsなどTransformer系TTSが声質・多言語対応の基準とされる中、CartesiaはWebSocketストリーミングによる応答速度の速さで差別化を図っているとされる。2026年時点の実運用では、日本語を含む非英語圏での自然さや感情表現がElevenLabsなどの先行勢と比べて発展途上とされ、現場では英語主体のリアルタイム音声UI(コールセンターAI、音声エージェント)での採用が先行している。コスト面は使用量(文字数・時間)に応じた従量課金が一般的で、低遅延を優先するプロダクトほど相場感としてTTS部分のランニングコストが無視できない比率を占めやすい。現場での選び方としては、レイテンシ要件が厳しいリアルタイム対話用途ではCartesia系、声質・多言語対応を優先する用途では他社TTSと比較検討するのが実務上の分かれ目になる。
Cartesia (音声合成モデル)の使用例
- 音声エージェントの応答レイテンシを300ms以下に抑えたいSaaSがCartesia SonicをTTSエンジンとして採用検討する場面。
- 既存TTSベンダーからの乗り換え検討時、レイテンシとコストの両面でCartesiaとElevenLabsを比較する場面。
Cartesia (音声合成モデル)に関連するAIツール
関連用語
「音声・音楽」の他の用語
AI 音楽生成サービス。 歌詞 + ジャンル指定で 完成楽曲を 1 分で生成。
OpenAI のオープンソース音声認識モデル。 99 言語対応、 日本語精度も高い。
AI 音声生成のトップサービス。 自分の声をクローンして 多言語ナレーションに使える。
TTS（音声合成）とは、テキストデータを人間らしい音声に変換するAI技術のこと。ナレーション・コールセンター・音声UIなど幅広い用途で使われ、2026年現在は人間と聞き分けにくい品質が標準となっている。
ASR（Automatic Speech Recognition・自動音声認識）とは、人間の音声をテキストへ自動変換する技術のこと。深層学習モデルの普及で精度が飛躍的に向上し、文字起こし・音声コマンド・翻訳など幅広い用途で使われる。
ボイスクローンとは、数秒〜数分の音声サンプルから特定人物の声質・話し方・抑揚を高精度に再現するAI音声合成技術のこと。
AI用語辞典をすべて見てみませんか
12カテゴリ・813語以上を体系的に整理しています
辞典トップへ