Cartesia 的 API key 可以放在浏览器吗？

长期 API key 不应放浏览器。官方建议客户端使用短期访问令牌，并由服务端控制签发和权限。

为什么示例用英文语音？

这是为了用官方列出的声线先验证音频链路。做中文产品时应从 Voice Library 选择合适声线，并用中文数字、人名和混合语料盲测。

每个 LLM token 都要马上送入 TTS 吗？

通常不需要。按词组或句子边界分块，平衡首音频延迟与发音自然度。

用户插话时只关闭 Cartesia context 够吗？

不够。还要停止上游 LLM，并清理播放器或电话网关中排队的旧音频。

为什么电话里听到杂音？

可能是输出编码或采样率与电话网关不一致。示例是 44.1 kHz 浮点 PCM，接 8 kHz μ-law 链路要正确转换。

怎么比较 Cartesia 和其他 TTS 的费用？

用相同业务样本统计每次成功会话的字符、credits、重试和通话链路成本，别只比较公开月费。

Cartesia 实时 TTS 实战教程 2026：WebSocket 流式语音、插话取消与费用验收

这篇教程把 Cartesia Sonic 3.6 当作语音 Agent 的“说话层”：上游可以是任意 LLM，本文先用三段固定文本模拟增量输出，确认 WebSocket、音频格式和播放器能正常工作，再接真实模型。最终目标是得到可播放的逐块音频，并建立延迟、打断和费用验收表。示例不需要上传真实用户录音。

开始前准备

创建 Cartesia 账户和 API key。在本机环境变量中设置 CARTESIA_API_KEY，不要写进网页代码、Git 仓库或截图。
安装 Python 3、ffplay（FFmpeg 提供），以及官方 Python SDK：python3 -m pip install 'cartesia[websockets]'。
先选一个官方语音 ID。下面用官方 Sonic 3.6 文档中的英文示例声线 Skylar 测链路；做中文产品时，去 Voice Library 挑支持中文的声线，并把业务语料换成中文。Sonic 3.6 官方语言表包含 zh，但某个具体声线的实际效果仍需试听。

第一步：发出分段文本并播放音频

把下面内容保存为 cartesia_demo.py。这段代码由官方 WebSocket 模式改写，重点是 push、no_more_inputs 与逐块接收。服务器没有扬声器时，可把音频块写到文件后用同一采样率转换。

python

import os
import subprocess
from cartesia import Cartesia

api_key = os.environ.get("CARTESIA_API_KEY")
if not api_key:
    raise RuntimeError("请先设置 CARTESIA_API_KEY")

client = Cartesia(api_key=api_key)
player = subprocess.Popen(
    ["ffplay", "-f", "f32le", "-ar", "44100", "-nodisp",
     "-autoexit", "-loglevel", "error", "-"],
    stdin=subprocess.PIPE,
    bufsize=0,
)

try:
    with client.tts.websocket_connect() as connection:
        speech = connection.context(
            model_id="sonic-3.6",
            voice="db6b0ed5-d5d3-463d-ae85-518a07d3c2b4",
            output_format={
                "container": "raw",
                "encoding": "pcm_f32le",
                "sample_rate": 44100,
            },
        )
        for part in ["Hello! ", "I can speak ", "while text is arriving."]:
            speech.push(part)
        speech.no_more_inputs()

        for event in speech.receive():
            if event.type == "chunk" and event.audio:
                player.stdin.write(event.audio)
            elif event.type == "done":
                break
finally:
    if player.stdin:
        player.stdin.close()
    player.wait()

运行 python3 cartesia_demo.py。如果听不到声音，先检查本机 ffplay 和音量，再确认 API key、声线 ID、账户额度、输出编码与采样率一致。代码中的 44.1 kHz 浮点 PCM 必须和 ffplay 参数对应；电话网关常用 8 kHz μ-law，不能不转换就直接转发。

第二步：接入真实 LLM

上面的 for part 可换成上游 LLM 的增量输出，但不要把每个 token 都立即送到 TTS。先缓存到自然的词组或句子边界，避免断词和不自然停顿；缓存越久，首音频越晚。将“LLM 开始输出→首个可播放音频”作为关键指标，用 5 到 20 条真实回复调节分块策略，而不是凭一个演示句决定。

第三步：处理插话和取消

用户再次说话时，要同时停止三个地方：上游 LLM 当前输出、Cartesia 当前 context、播放器或电话网关已排队的音频。只取消服务端 context，用户仍可能听到缓冲中的旧回答。为每轮分配请求 ID，标记已取消的音频块并拒绝播放；只有当前轮的音频可进入播放队列。发生断线时，明确该句是重播、跳过还是从下一轮开始。

第四步：验收质量和成本

做一份固定样本表：中文人名、金额、日期、地址、英文缩写、混合语言、长句、用户在前 500 毫秒插话。逐条记录首可播放时间、整句完成时间、错读、卡顿、音量、重复播报和取消后的残留。冷连接与复用连接分别测，至少在目标地区跑一轮。账单按实际 credits 与成功会话计算；Free 仅适合试验，商业许可和并发按当前套餐核对。

安全与合规

API key 放服务端。若浏览器直接连接 Cartesia，使用官方文档建议的短期访问令牌，不把长期 key 交给客户端。对真实用户明确告知使用 AI 合成声音；声音克隆需取得声音所有者授权。日志避免保留完整敏感对话；设置超时、并发与费用上限。

何时改用别的方案

如果你的文本一开始就完整，Cartesia 的 HTTP bytes 更简单。若团队还需要音色创作工作流，可并测 ElevenLabs；已经用 Deepgram STT，且目标语言在 Aura-2 官方 TTS 支持列表中，才并测 Aura；中文语音合成目前不要把 Aura-2 作为备选。决策以自己的中文语料和完整电话/浏览器链路为准。

官方资料

开始前准备

创建 Cartesia 账户和 API key。在本机环境变量中设置 CARTESIA_API_KEY，不要写进网页代码、Git 仓库或截图。
安装 Python 3、ffplay（FFmpeg 提供），以及官方 Python SDK：python3 -m pip install 'cartesia[websockets]'。
先选一个官方语音 ID。下面用官方 Sonic 3.6 文档中的英文示例声线 Skylar 测链路；做中文产品时，去 Voice Library 挑支持中文的声线，并把业务语料换成中文。Sonic 3.6 官方语言表包含 zh，但某个具体声线的实际效果仍需试听。

第一步：发出分段文本并播放音频

python

import os
import subprocess
from cartesia import Cartesia

api_key = os.environ.get("CARTESIA_API_KEY")
if not api_key:
    raise RuntimeError("请先设置 CARTESIA_API_KEY")

client = Cartesia(api_key=api_key)
player = subprocess.Popen(
    ["ffplay", "-f", "f32le", "-ar", "44100", "-nodisp",
     "-autoexit", "-loglevel", "error", "-"],
    stdin=subprocess.PIPE,
    bufsize=0,
)

try:
    with client.tts.websocket_connect() as connection:
        speech = connection.context(
            model_id="sonic-3.6",
            voice="db6b0ed5-d5d3-463d-ae85-518a07d3c2b4",
            output_format={
                "container": "raw",
                "encoding": "pcm_f32le",
                "sample_rate": 44100,
            },
        )
        for part in ["Hello! ", "I can speak ", "while text is arriving."]:
            speech.push(part)
        speech.no_more_inputs()

        for event in speech.receive():
            if event.type == "chunk" and event.audio:
                player.stdin.write(event.audio)
            elif event.type == "done":
                break
finally:
    if player.stdin:
        player.stdin.close()
    player.wait()

Cartesia 实时 TTS 教程：给语音 Agent 接入流式合成、打断与成本验收

开始前准备

第一步：发出分段文本并播放音频

第二步：接入真实 LLM

第三步：处理插话和取消

第四步：验收质量和成本

安全与合规

何时改用别的方案

官方资料

常见问题

Cartesia 实时 TTS 教程：给语音 Agent 接入流式合成、打断与成本验收

开始前准备

第一步：发出分段文本并播放音频

第二步：接入真实 LLM

第三步：处理插话和取消

第四步：验收质量和成本

安全与合规

何时改用别的方案

官方资料

常见问题