Cartesia показывает SSM‑модели Sonic и Ink для потокового голоса с задержкой <100 мс на AWS
В публикации AWS рассказывается, как партнёр AWS Cartesia использует модели состояния (SSM) и инфраструктуру AWS для запуска двух производственных потоковых голосовых моделей — Sonic (TTS) и Ink (STT) — оптимизированных для задержки первого байта менее 100 мс и глобального масштаба. Sonic представлен как потоковый TTS с примерно 90 мс до первого аудиобайта и поддержкой множества языков и клонирования голоса; Ink описан как потоковый STT с встроенным обнаружением пауз говорящего для разговорных сценариев.