在 AWS 上构建超低延迟语音 AI 应用：Cartesia 用 SSM 实现 sub-100ms 语音合成与转写

Cartesia 基于 State Space Model（SSM）架构的 Sonic 语音合成与 Ink 语音转写模型，在 AWS 上实现 sub-100ms 首字节延迟，Sonic 首个音频字节约 90ms。Sonic 支持 44 种以上语言、10 秒音频样本克隆音色，并采用流式原生架构；Ink 具备原生轮次检测与流式转写能力，可让下游 LLM 在用户说完前开始生成回复。