商业模式拆解 · Cartesia
Cartesia 按信用点卖语音，赌 SSM 把延迟压进 90ms 换定价权
用状态空间模型把语音延迟压到 90ms，按字符和分钟卖信用点，赌开发者愿为实时性付溢价。
关键数字
Cartesia 把实时语音拆成可计量的信用点，TTS 按字符、STT 按秒、托管通话按分钟，三档订阅覆盖从试用 to 企业。收入来自开发者按量付费和订阅预付，钱花在模型推理与语音代理托管上。它靠状态空间模型压低延迟、以自助开通降低销售成本来活。最大的赌注是：开发者愿意为 <90ms 首字节延迟支付相对标准化的费率，而不是转向更便宜或云厂商捆绑的语音 API。结局取决于信用点定价能否覆盖推理成本，以及延迟优势是否被追上。
产品与模型
Sonic 用 SSM 架构把延迟压到 90ms 以下，按字符卖实时性
Sonic 3.5 宣称基于状态空间模型（SSM），首字节延迟低至 90ms、原生支持 42 种语言并支持笑声与情绪表达（R9、R8）。这组参数指向一个具体取舍：用架构差异换取语音交互中最容易被感知的指标——响应速度。对语音代理来说，延迟直接决定对话是否自然，因此它把“快”做成了可计费的单位。
计费上，标准 TTS 约每字符 1 信用点，适用于 /tts/bytes、/tts/sse、/tts/websocket 全部端点（R1）。信用点只对成功请求计费，错误请求不消耗信用点（R1），这降低了开发者试错的心理门槛，也意味着 Cartesia 自己承担失败请求的推理成本。
但延迟是工程指标，不是合同锁定。第三方测算称 Cartesia 约 $0.038/千字符、ElevenLabs 为 $0.04–$0.08（R12），该测算为外部估算非官方口径，与官方信用点口径不可直接换算，只能说明低价可能是一种定位选择，而非已验证的成本结构。TTS 真正的溢价空间取决于实时性在客户场景里值多少钱。
依据R9R8R1R12Ink 按音频秒数计点，把 STT 从按结果收费改成按流收费
Ink 系列 STT 模型含 ink-2 与 ink-whisper，提供流式转写与原生轮次检测（R1、R6）。定价不按转写字数或请求数，而按音频秒数：ink-2 每秒音频 3 信用点，ink-whisper 每秒 1 信用点（R1）。这贴合流式语音识别的成本结构——模型持续在听，即使没有产出文字也在消耗算力。
这种按流计费将“沉默成本”转嫁给调用方：通话中静音、等待、背景音同样计点。对语音代理场景这是合理的，因为代理需要一直在线；但对批处理转写客户则不友好，他们更习惯按音频时长或按结果付费。Ink 的轮次检测是语音代理的关键组件，Cartesia 把它内置到 STT 里，减少了客户自己拼接 VAD 和对话状态的工作。
该模型与 TTS 共用信用点体系，客户可在一个账户里同时消耗两类模型。这提高了账户留存，但也让客户比价时更关注信用点消耗速度而非单价。
依据R1R6Managed Agents 按分钟卖通话，号码与 LLM 成本被拆开计价
托管 Managed Agents 按分钟以美元计费：通话基础价 $0.06/分钟，使用 Cartesia 提供号码另加 $0.014/分钟（R1、R11）。电话线路支持自供号码（仅美国）、Twilio 导入号码与 SIP 中继三种接入方式（R11）。这把语音代理从“模型 API”推进到“可拨打的号码”，客户买的是从音频流到电话网的一整段。
但每分钟费率不含 LLM 用量，LLM token 价格取决于所选模型（R1）。这意味着 Cartesia 的报价只是语音层，客户的实际对话成本还要加上大脑层。这种拆分对 Cartesia 有利：它不承担 LLM 成本波动，只赚语音处理和线路管理的钱。对客户则意味着总成本不透明，需要自己把两笔账加在一起。
号码附加费仅 $0.014/分钟，且自供号码可绕过，说明号码本身不是利润中心，而是让客户更快跑起来的接入组件。真正的计费锚点是 $0.06/分钟的通话基础价。
依据R1R11收入模式
订阅预付信用点，超额按量补差价，用档位锁并发
Cartesia 的收费分两层：订阅档位预付信用点，超出后按每百万信用点补差价。Free $0/月含 20K 信用点；Pro $5/月含 100K；Startup $49/月含 1.25M；Scale $299/月含 8M（R3）。超额单价 Pro 每百万 $65、Startup 每百万 $45、Scale 每百万 $38（R3）。档位越高，预付越多，超额单价越低，这是典型的用量阶梯定价。
真正锁住客户的不只是价格，还有并发上限：TTS 并发 2/3/5/15，STT 并发 8/12/20/60，语音代理同时通话 8/12/20/60（Free/Pro/Startup/Scale）（R3）。语音代理是实时业务，并发不够直接意味着通话排队或失败，因此准备上量的客户必须升档。这比按字符涨价更隐蔽，也更有效。
信用点结转上限为新套餐月额度两倍，升降档不丢失已购信用点（R3）。结转规则降低了客户对预付的抵触，但也意味着 Cartesia 的递延收入会跨月累积，实际消耗节奏比账面订阅更慢。
依据R3Scale 档把信用点和代理预付余额捆在一起，试图让语音预算走一个口袋
Scale 档 $299/月同时含 800 万模型信用点与 $299 的 Managed Agents 预付余额（R3）。这不是简单的套餐叠加，而是把模型调用和代理通话两个钱包并成一个。客户在同一个账户里既能调 TTS/STT，也能直接跑托管语音代理，减少采购和结算摩擦。
另一个定价细节是 Pro Voice Clone 微调每次 1,000,000 信用点，仅训练成功才计费；PVC 生成约每字符 1.5 信用点（R2）。训练按次、生成按字符，把一次性投入和持续使用分开。但官方博客 R4 称 PVC 生成按每字符 1 信用点计费，与 Instant Voice Cloning 同价，两处来源不一致，公开资料未说明差异原因。
两条收入线的关系是：信用点是基本盘，Managed Agents 是拉高客单价的钩子。但代理通话的分钟费不含 LLM，客户仍需向模型厂商付费，Cartesia 的捆绑只覆盖语音层。
依据R3R2R4客户与市场
客户是构建语音代理的开发者，以及需要私有声音库的行业企业
Sonic 面向营销外呼、客服认证、销售培训、招聘初筛、客户成功等语音代理场景（R5）。这些场景的共同点是对实时延迟敏感、对话轮次多、需要多语言。客户不是终端消费者，而是把语音能力嵌进自己产品的开发团队或运营团队。
据厂商自述，PVC 需求来自医疗、酒店等行业客户，用于私有声音库与虚拟形象（R4）。这类客户更在意声音的独占性和合规性，而非单纯的低价。Enterprise 档提供定制并发、DPA/BAA、SSO、专属 Slack 通道（R3），对应的是有采购流程和合规要求的中大型组织。
公开资料未披露具体客户数、收入贡献或合同金额，因此无法判断哪类客户贡献主要收入。从定价结构看，Scale 档同时给信用点和代理余额，暗示 Cartesia 希望把语音代理运营商作为重点客户，而不只是 TTS API 调用方。
依据R5R4R3获客与渠道
靠自助订阅和 SDK 铺开发者，企业档才转人工
Cartesia 提供 Python、JavaScript、Go 三种 SDK，并开放 REST、SSE、WebSocket 接口（R8）。这是典型的开发者优先分发：客户自己读文档、拿 API key、按档位付费，不需要销售介入。Free 档 20K 信用点和 Pro $5/月把试用门槛压到几乎为零，目的是让开发者在项目早期就把 Cartesia 写进代码。
向上走，Startup $49/月、Scale $299/月仍可自助，但 Enterprise 转定制报价，带 DPA/BAA、SSO 和专属 Slack 通道（R3）。这意味着 Cartesia 的销售力量集中在合规和定制并发需求上，标准用量靠产品自助转化。Pro Voice Clone 自 Startup 档起自助开放，支持 15 种语言（R4），也是把原本需要人工对接的定制能力产品化。
腾讯云实时音视频文档已列出 Cartesia 作为可选 TTS 引擎，示例模型 sonic-3-2026-01-12（R14）。是否构成渠道合作公开资料未披露。
依据R8R3R4R14成本结构
钱花在推理和代理托管上，失败请求自己扛
Cartesia 的主要成本是模型推理：TTS 按字符、STT 按音频秒持续消耗算力。信用点仅对成功请求计费，错误请求不消耗信用点（R1），意味着失败请求的推理成本由 Cartesia 承担。对于实时语音这种失败率不可忽略的场景，这是一笔隐性成本。
Managed Agents 的成本还包括电话线路和代理运行时。Cartesia 自供号码仅限美国，其他地区需 Twilio 导入或 SIP 中继（R11），线路成本结构因接入方式而异。每分钟费率不含 LLM 用量（R1），说明 Cartesia 不承担对话大脑的推理成本，只承担语音处理和线路管理。
PVC 方面，Cartesia 称新模型基础设施使 PVC 训练与推理成本大幅降低，从而可自助开通（R4）。若该说法成立，PVC 的边际成本下降是它能以 Startup 档 $49/月开放微调的前提。但公开资料未披露具体成本金额或毛利率。
依据R1R11R4融资与资本
靠订阅预付款和用量收入滚动，融资与估值未披露
Cartesia 的现金来源是客户预付的订阅费和超额用量费。Free 档不产生收入，Pro $5/月、Startup $49/月、Scale $299/月（R3）构成经常性收入的基础。信用点结转上限为新套餐月额度两倍（R3），若结转规则被充分利用，预付款可能形成一定的营运资金缓冲（推断）。
但公开资料未披露累计融资、估值、员工数和盈利状况。无法判断它是否靠外部资本支撑推理基础设施投入，也无法判断订阅收入是否覆盖成本。从定价的低门槛看，它更像在用低价换开发者采用，而非追求短期毛利。
Managed Agents 的 $299 预付余额（R3）和 PVC 的百万信用点训练费（R2）提供了更高客单价的现金入口，但这些收入是否足以支撑基础设施扩张，公开资料未披露。
依据R3R2护城河
SSM 架构带来的延迟优势是技术赌注，不是合同锁定
Sonic 采用状态空间模型而非 Transformer，第三方估算（非官方口径）称其首字节约 40ms，快于 ElevenLabs Flash v2.5 的约 75ms（R12）。需注意，R12 外部估算给出约 40ms，与厂商宣称的 90ms 口径不同、来源冲突，公开资料未说明测量条件差异。如果这个延迟差在客户场景里稳定成立，它就是 Cartesia 最硬的差异化：语音代理的体验对首字节延迟极其敏感，几十毫秒的差距会改变对话的自然度。
但架构优势不是永久护城河。Transformer 阵营可以通过蒸馏、缓存和工程优化缩小延迟差距，云厂商也可以把语音 API 捆绑进既有云服务。Cartesia 的防御更多来自开发者已经写进代码的 SDK 和信用点余额，而非架构专利。Sonic 宣称在 Speech Arena 排名第一（R5，厂商自述，缺乏独立验证），这类排名能帮获客，但不能阻止客户比价。
PVC 的定价也指向同一逻辑：官方博客 R4 称 PVC 生成按每字符 1 信用点计费，与 Instant Voice Cloning 同价，Cartesia 不在克隆生成上收溢价，而是用低价鼓励客户把私有声音资产留在平台上。资产沉淀比单次调用费更像留存机制。
依据R12R5R4风险与不确定性
定价按信用点切得太细，客户比价时容易只看到单价
Cartesia 的信用点体系覆盖 TTS 按字符、STT 按秒、PVC 按字符和按次、代理按分钟（R1、R2、R11）。好处是计量精确，坏处是客户很难直接对比不同厂商的总成本。第三方测算给出 Cartesia 约 $0.038/千字符、ElevenLabs $0.04–$0.08（R12，外部估算非官方口径，与官方信用点口径不可直接换算），这类对比一旦成为采购依据，Cartesia 的低价定位会被固化，向上提价空间受限。
更具体的是并发限制：Free 档 TTS 并发仅 2、语音代理同时通话仅 8（R3）。客户在试用期如果撞到并发墙，可能直接转向别家，而不是升档。并发作为档位门槛，在转化上是双刃剑。
此外，Managed Agents 每分钟费率不含 LLM 用量（R1），客户做总成本测算时要把 Cartesia 和 LLM 厂商两笔账相加，这增加了采购决策的复杂度，也让 Cartesia 的报价在对比中显得不完整。
依据R1R2R11R12R3延迟优势可能被追上，而客户切换成本并不高
Sonic 的 90ms 首字节延迟和 SSM 架构是当前卖点（R9、R12），但语音 API 的切换成本主要是代码改动，而非数据迁移。客户用 Python、JavaScript、Go SDK 接入（R8），换一家供应商意味着重写调用层，但不需要搬走历史数据。一旦竞品把延迟压到同一水平，Cartesia 的溢价理由会迅速变薄。
厂商自述的 Speech Arena 排名第一（R5）缺乏独立验证，排名本身也可能随模型迭代变化。PVC 的私有声音库是少数能沉淀资产的环节，但 PVC 生成与 Instant Voice Cloning 同价（R4），说明 Cartesia 没有用价格锁定克隆资产，客户仍可把声音迁到别处。
更大的风险来自云厂商：如果云厂商把语音 API 作为捆绑服务低价甚至免费提供，Cartesia 的独立定价空间会被压缩。公开资料未披露它与云厂商的合作深度，腾讯云文档列出 Cartesia 作为可选 TTS 引擎（R14）是渠道信号，但也意味着它在别人的货架上竞争。
依据R9R12R8R5R4R14关键节点
对AI原生公司创始人的启示
这一节是编辑判断，基于上面的证据推演，不是公司原话。
用可感知的工程指标定价，比堆功能列表更适合小团队
Cartesia 把 TTS 拆成每字符 1 信用点、STT 拆成每秒音频 3 信用点（R1），客户按实际消耗付费，不需要预估月量。更关键的是，它把首字节延迟低于 90ms 这种客户能直接感知的指标做成卖点（R9），而不是笼统说模型更强。小团队资源有限，选一个客户能直接感知的指标死磕，比铺功能列表更有效。
借的时候要注意：延迟优势需要架构或工程上的真实差异支撑，Cartesia 靠的是 SSM 架构（R9）。如果小团队只是把第三方模型包一层，延迟指标很快会被上游追平，定价权也就没了。
信用点加并发档位的设计可以借，但免费额度和失败不计费要按自己的成本重算
Cartesia 的订阅档位用信用点预付、超额按量补差价（R3），同时用并发上限（TTS 2/3/5/15）锁住准备上量的客户（R3）。这种设计让小团队不必承诺固定套餐，也能让客户在同一个账户里消耗多种模型。失败请求不计费（R1）则降低了开发者试错的心理门槛。
但 Cartesia 的 Free 档给 20K 信用点、Pro 仅 $5/月（R3），且失败请求的推理成本由自己承担（R1），这要求它有足够的推理基础设施来吸收免费和失败流量。小团队没有这种成本缓冲，照搬低价试用会直接烧掉现金流。可以借的是档位和计量思路，但免费额度、并发上限和失败计费规则要按自己的单位推理成本重算。
把定制能力产品化、自助开放，是小团队降低销售成本的可借路径
Cartesia 把 Pro Voice Clone 从 Startup 档起自助开放，支持 15 种语言（R4），把原本需要人工对接的定制能力做成标准产品。分发上靠 Python、JavaScript、Go 三种 SDK 和 REST、SSE、WebSocket 接口（R8），客户自己读文档、拿 API key、按档位付费，销售力量只留给 Enterprise 的合规和定制并发需求（R3）。
小团队借这一条，重点是把重复出现的定制需求做成自助流程，而不是一开始就铺销售。但要注意，Cartesia 能这样做的前提是 PVC 训练与推理成本大幅降低（R4），这背后是基础设施投入。小团队如果没有相应的成本下降，自助开放定制能力可能变成赔本服务，需要先算清单位成本再开放。
公开资料没有回答的问题
- Cartesia 的累计融资、估值和团队规模是多少？
- 信用点体系下，TTS 和 STT 的实际毛利率是多少？
- Managed Agents 的客户中，有多少比例使用 Cartesia 自供号码？
- 与腾讯云等云厂商的合作是分成、转售还是仅技术集成？
- Sonic 在 Speech Arena 的排名是否有独立第三方验证？
证据来源
正文里的编号对应下面的来源。数字没有来源的句子在成稿前已被删除；公开资料未披露的直接写明未披露。
- R1Pricing - Cartesia Docsdocs.cartesia.ai · 一手来源 · 可信度 90
- R2料金 - Cartesia Docsdocs.cartesia.ai · 一手来源 · 可信度 89
- R3料金：無料プラン、TTS、STT、音声エージェント | Cartesiacartesia.ai · 一手来源 · 可信度 88
- R4Cartesia | Introducing Professional Voice Cloningcartesia.ai · 一手来源 · 可信度 86
- R5Voix IA Sonic : API TTS en temps réel avec émotion | Cartesiacartesia.ai · 一手来源 · 可信度 86
- R6asyncapi: 2.6.0raw.githubusercontent.com · 媒体与披露 · 可信度 84
- R7raw.githubusercontent.comraw.githubusercontent.com · 媒体与披露 · 可信度 83
- R8aid: cartesiaraw.githubusercontent.com · 媒体与披露 · 可信度 83
- R9Sonic 3.5 | Model librarybaseten.co · 媒体与披露 · 可信度 83
- R10@cartesia/cartesia-jsnpmjs.com · 媒体与披露 · 可信度 82
- R11Phone numbers - Cartesia Docsdocs.cartesia.ai · 一手来源 · 可信度 82
- R12Voice Cloning Inference: Cost & Latency Per Requestcerebrium.ai · 媒体与披露 · 可信度 82
- R13cartesiapypi.org · 媒体与披露 · 可信度 81
- R14Tencent Real-Time Communicationtencentcloud.com · 媒体与披露 · 可信度 81
由 EveryTik 调研流水线生成（deepseek-flash），经结构门禁、数字核对与独立审稿；引用 13 个来源、7 个独立域名。发现错误请以公开来源为准，我们会在下一轮调研时修正。