Cartesia ha lanciato Sonic 3.5 e Ink-2, due modelli per AI vocale in tempo reale con latenza text-to-speech (generazione audio da testo) sotto i 90 millisecondi, trascrizione finale dichiarata in 0,1 secondi e supporto nativo a 42 lingue per la sintesi vocale.
Per chi usa o sviluppa strumenti AI, la notizia conta perché sposta l’attenzione dal chatbot scritto all’agente vocale operativo. Dopo la traduzione vocale quasi in tempo reale di Gemini 3.5 Live, il punto non è più solo parlare con una macchina, ma farlo con tempi, accenti e interruzioni vicini a una conversazione umana.
Cartesia entra nell’AI vocale con Sonic 3.5 e Ink-2
Nella pagina di lancio, Cartesia presenta Sonic 3.5 e Ink-2 come due pezzi dello stesso stack: uno parla, l’altro ascolta. Sonic 3.5 è il modello text-to-speech dell’azienda, progettato per trasformare testo in voce naturale; Ink-2 è il modello speech-to-text, cioè trascrizione del parlato in testo.
La combinazione interessa perché molte aziende oggi costruiscono agenti vocali assemblando componenti diversi: un modello per capire l’audio, un modello linguistico per ragionare, un sintetizzatore vocale per rispondere, più sistemi separati per rilevare pause e interruzioni. Cartesia prova a ridurre questa frammentazione, vendendo una pipeline più compatta per assistenza clienti, vendite, formazione, prenotazioni e interfacce vocali dentro prodotti software.
Secondo Cartesia, Sonic 3.5 risulta primo per naturalezza nella Speech Arena di Artificial Analysis, mentre Ink-2 viene presentato come il modello più rapido e accurato nella propria categoria. Sono claim da leggere come claim di benchmark, non come garanzia di prestazioni in ogni ambiente reale. È lo stesso nodo emerso nel caso OpenQASM 3 e AI quantum: un benchmark utile non incorona un vincitore assoluto, mostra dove un sistema si rompe.
Come funziona l’AI vocale di Cartesia
Il punto tecnico centrale è l’uso di State Space Models, architetture alternative ai Transformer che Cartesia usa per ridurre latenza e aumentare efficienza nelle interazioni continue.
“Our models are designed for live, synchronous interactions, built on State Space Models (SSMs).”
Le docs di Sonic 3.5 indicano uno snapshot stabile del 4 maggio 2026 e supporto a 42 lingue, incluso l’italiano. Il modello introduce funzioni pratiche per ambienti produttivi: pronuncia più controllabile di codici di conferma, gestione di omografi e termini che cambiano suono in base al contesto, maggiore stabilità nelle chiamate lunghe.
Ink-2 lavora sull’altra metà della conversazione. Le docs di Ink 2 indicano una release stabile del 22 maggio 2026 e trascrizione finale in 0,1 secondi. Il dato più interessante non è solo la velocità, ma la turn detection, cioè la capacità di capire quando una persona ha finito di parlare o sta per completare un turno conversazionale.
Il confronto con KAME AI e speech in tempo reale chiarisce la direzione del settore: i sistemi vocali cercano di ridurre l’attesa tra ascolto, ragionamento e risposta. Cartesia resta su una pipeline più modulare, ma prova a renderla abbastanza rapida da competere con architetture più dirette.
La domanda che i comunicati ufficiali non affrontano è semplice: quante aziende useranno questa qualità per risolvere richieste complesse e quante per spingere più conversazioni automatizzate dentro canali che prima richiedevano una persona?
I limiti che contano
Il primo limite riguarda la lingua. Sonic 3.5 supporta l’italiano per la sintesi vocale, ma Ink-2 viene documentato come stabile per l’inglese. Per un’azienda italiana, questo dettaglio pesa: una voce italiana fluida serve poco se la trascrizione fatica su nomi, indirizzi, codici fiscali, sigle mediche o lessico bancario.
Il secondo limite riguarda i benchmark. Una classifica di laboratorio può misurare latenza, naturalezza o Word Error Rate, cioè percentuale di parole trascritte in modo errato. Non misura da sola la qualità di una conversazione reale: gestione delle escalation, riconoscimento dell’irritazione del cliente, rispetto delle policy aziendali, capacità di dire “non lo so” quando serve.
Il terzo limite è sicurezza. Una voce più naturale aumenta il rischio che utenti, clienti e operatori attribuiscano fiducia a un sistema solo perché suona umano. Il problema si collega al tema delle chiamate deepfake su Android: quando la voce diventa interfaccia, autenticazione, spoofing e tracciabilità non sono dettagli tecnici. Entrano nel disegno del prodotto.
Cosa cambia per aziende e sviluppatori italiani
Per il mercato italiano, Cartesia alza l’asticella minima degli agenti vocali. Non basta più generare una voce piacevole: bisogna misurare latenza al novantacinquesimo percentile, qualità della trascrizione su audio telefonico reale, accuratezza su italiano regionale e tempi di passaggio a un operatore umano.
Per gli sviluppatori, il messaggio è pratico. Sonic 3.5 e Ink-2 rendono più credibile la costruzione di interfacce vocali per assistenza clienti, onboarding, prenotazioni e help desk interni. Ma la valutazione non può fermarsi alla demo. Serve un test con conversazioni vere, rumore di fondo, interruzioni, utenti che cambiano idea a metà frase e richieste che richiedono accesso a sistemi aziendali.
Per manager e professionisti, il cambiamento concreto è questo: nel 2026 la domanda non è più se una voce AI possa sembrare naturale. La domanda utile è se quella voce risolve un processo meglio, più velocemente e con meno errori rispetto al canale attuale. Cartesia rende questa domanda più urgente, non più semplice.
Fonti citate
- Introducing Sonic-3.5 and Ink-2 , Cartesia, consultato il 17 giugno 2026.
- Sonic 3.5 , Cartesia Docs, snapshot stabile del 4 maggio 2026.
- Ink 2 , Cartesia Docs, release stabile del 22 maggio 2026.
- Cartesia Launches Sonic-3.5 and Ink-2 for Real-Time Voice AI , KuCoin News / MarsBit, 16 giugno 2026.