黄仁勋押注AI语音！华人大牛带队弃用，用新模型速度快过人类反应

AI语音赛道最近又迎来了大动作，英伟达创始人黄仁勋的投资眼光向来毒辣，这次他瞄准的是一家名为Cartesia的语音生成创企。这家公司不仅刚完成1亿美元融资，还同步推出了全新语音模型Sonic-3。

更让人关注的是，创始团队里藏着两位华人大牛，还有Mamba作者和谷歌背景的核心成员加持。在智能语音市场持续升温的当下，这样的豪华配置加上巨头注资，无疑给赛道竞争添了一把猛火。

华人斯坦福学霸天团集结

Cartesia的诞生自带“学霸基因”，它由5位斯坦福AI实验室的研究员联合创立，背后还有导师Chris Ré的鼎力支持，这几位创始人在校园里就埋下了创新的种子，共同发明了SSM状态空间模型，为后续的技术落地打下了坚实基础。

团队中的华人成员格外引人注目。首席科学家Albert Gu不仅是火爆AI圈的Mamba模型主要作者之一，还入选了2024年《时代》杂志全球最具影响力人物名单，他在SSM领域的研究为模型的低延迟、高精度特性提供了核心支撑。

另一位华人成员Brandon Yang有着谷歌大脑的工作经历，顶尖科技公司的任职经验让他在技术落地和产品化方面更有心得，除此之外，CEO Karan Goel是斯坦福博士，还曾获得过Siebel Scholar奖学金，在校期间受到李飞飞等知名教授的指导，学术和管理能力兼备。

过去四年，这个团队没闲着，一直在深耕SSM的理论构建，还把技术扩展到了文本、音频、视频等多个模态，积累了不少领先成果，他们没有盲目跟风热门赛道，而是精准瞄准了SSM架构在语音模型中的应用，推出了企业级AI语音平台。

涵盖文本转语音、语音转文本和语音Agent构建等核心功能。这样一支背景扎实、分工明确的团队，能在短时间内连续完成融资，也就不足为奇了。接下来，他们打造的Sonic-3模型，更是把这些技术积累转化成了实实在在的产品优势。

技术突破拉满

伴随着新一轮融资的到位，Cartesia推出的Sonic-3模型，在多个维度都展现出了让人眼前一亮的实力。最直观的进步就是支持的语言种类大幅增加，从Sonic-2的15种跃升到42种，还搭配了500多种音色，满足不同场景的使用需求。

其中中文声音类型有10种可选，英文更是细分出11种不同地区的口音，不管是日常交流还是专业场景，都能找到合适的语音风格，在可控性方面，Sonic-3也做足了文章。

通过API参数和SSML标签，用户可以精细调整语音的音量、语速，还能精准控制情绪表达，笑声、语调变化甚至微妙的情感转换都能完美呈现，还支持自定义发音，让AI语音不再显得机械刻板。

更实用的是语音克隆功能，经过微调后能高度还原参考原声，加上自动缓冲与延续的设计，让实时语音交互变得更自然流畅，不过Sonic-3最核心的优势，还是它的速度，模型延迟仅90毫秒，端到端总响应时间不到190毫秒，跻身全球最快实时语音AI系统之列。

这样的速度在实际使用中感受非常明显，用它生成中文故事仅需两秒，虽然目前中文流畅度还有提升空间，但英文表现已经相当惊艳，纪录片旁白级别的生成效果几乎听不出AI痕迹。这些优势的背后，离不开SSM架构的支撑。

弃用Transformer

现在市面上大多数语音模型都依赖Transformer架构，但Cartesia偏偏反其道而行之，选择了SSM架构作为核心，这一决策让Sonic-3在效率上实现了弯道超车。

Transformer架构有个明显的“短板”，就是处理长序列时需要反复回顾前文所有内容，计算量会呈平方级增长，不仅耗时，还容易出现延迟，在实时对话场景中体验不佳。

而SSM架构就聪明多了，它更接近人类的思维模式，通过持续更新的内部状态来理解对话主题，不需要每次都从头回顾，计算量随序列长度线性增长，效率大幅提升。

作为SSM架构的代表性技术，Mamba在低延迟、高精度序列预测方面的优势，被Albert Gu完美融入到了Sonic-3中。苹果的研究也证明，在长任务、多交互的Agent式任务中，SSM架构的模型比Transformer更具潜力，搭配外部工具后还能弥补记忆短板。

这种技术选择，让Sonic-3在实时语音交互场景中如鱼得水。目前已经有数千家企业在使用Sonic模型，每月处理数百万次对话，像云计算平台ServiceNow、AI客服平台Cresta等，都借助它提升了服务效率。

对于企业来说，快速响应的语音Agent能减少客户等待时间，提升服务体验；对于普通用户，无论是日常沟通还是内容创作，高效自然的语音生成也能节省不少时间。

随着实时对话需求的急剧增长，SSM架构的优势会越来越明显，而Cartesia的布局，也让它在激烈的赛道竞争中占据了有利位置。

AI语音市场的热度一直居高不下，全球市场规模持续增长，国内有科大讯飞、百度等巨头领跑，国际上也有谷歌、苹果等玩家布局，加上MiniMax、ElevenLabs等专注于音频生成的创企，赛道竞争早已进入白热化阶段。而Cartesia的强势崛起，无疑让这场竞争变得更加精彩。

随着技术的不断迭代，AI语音的应用场景会越来越广泛，从企业服务到消费电子，从日常沟通到专业创作，都离不开语音技术的支撑。对于Cartesia来说，如何持续优化多语言表现，尤其是提升中文流畅度，进一步扩大生态合作，将是接下来的重要课题。

而整个语音赛道，也会在这种良性竞争中不断进步，最终受益的还是广大用户。毕竟，技术的创新从来不是为了竞争本身，而是为了让智能交互变得更高效、更自然，让科技真正融入生活的方方面面。