Sonic ist die Sprachsynthese des US-amerikanischen Unternehmens Cartesia. Sie ist nicht auf Klangfülle ausgelegt, sondern auf Antwortzeit: Der erste Ton erklingt nach rund 40 Millisekunden.
Zusammenfassung
Bei einem vorgelesenen Text ist es gleichgültig, ob die Ausgabe eine halbe Sekunde später beginnt. Bei einem Gespräch ist es das nicht: Eine Pause von einer Sekunde vor jeder Antwort macht den Unterschied zwischen einem Gegenüber und einer Maschine.
Genau darauf zielt Sonic. Die Zeit bis zum ersten Ton ist die Größe, an der sich Sprachagenten entscheiden – Modelle mit besserer Klangqualität, aber längerer Verzögerung sind für diesen Zweck unbrauchbar.
Die Fassung Sonic-3.6 wurde gemeinsam mit einem Modell namens Ink-2 veröffentlicht. Stimmklone bleiben über Fassungswechsel hinweg gleich – für Anwender, die eine Stimme in ein Produkt eingebaut haben, die wichtigere Zusage als jede Verbesserung.
Begriffsgeschichte
Sonic 3
Die Fassung erreichte rund 40 Millisekunden bis zum ersten Ton und wurde damit zur Wahl für Sprachagenten in Echtzeit.
Sonic-3.6 und Ink-2
Die Fortschreibung hielt die vorhandenen Stimmkennungen gültig; nach Höreindrucksprüfungen klingen die Stimmen unverändert.
Einordnung
Cartesia steht für eine Spezialisierung, die sich 2026 durch das ganze Feld zieht: Nicht das beste Modell gewinnt eine Anwendung, sondern das mit den passenden Eigenschaften.
Sprachagenten am Telefon, in Fahrzeugen und in der Kundenbetreuung sind der wirtschaftlich größte Anwendungsfall der Sprachsynthese – und dort zählt Antwortzeit mehr als Ausdruck.
Kontroversen und Kritik
Stimmklone bleiben Stimmklone. Die Zusage, dass eine geklonte Stimme über Fassungswechsel hinweg gleich klingt, ist für Anwender wertvoll und verschärft zugleich die Missbrauchsfrage: Eine einmal nachgebildete Stimme bleibt dauerhaft verfügbar.
Kennzeichnung in Echtzeit. Bei einem laufenden Gespräch ist die Kennzeichnungspflicht der KI-Verordnung schwer umzusetzen. Ein Hinweis zu Beginn verliert im Gesprächsverlauf seine Wirkung.
Stand September 2026
Sonic-3.6 ist die aktuelle Fassung. Cartesia gehört zu den Anbietern, die den Markt für Sprachagenten unter sich ausmachen.
Verwandte Begriffe
- ElevenLabs – der Wettbewerber mit Schwerpunkt auf Ausdruck
- Whisper (OpenAI) – die Gegenrichtung: Sprache zu Text
- Agentic AI – das Anwendungsfeld der Sprachagenten
Quellenangaben
- Cartesia, 2026. Introducing Sonic-3.6 and Ink-2. cartesia.ai/launch.
- Cartesia, 2026. Changelog 2026. docs.cartesia.ai/changelog/2026.