Cartesia Ink-2

Cartesia Ink-2 ist ein Streaming-ASR-Modell für Sprachagenten. Cartesia nennt etwa 0,1 Sekunden vom Ende der gesprochenen Eingabe bis zum finalen Transkript (TTFT). Das ist nicht die Zeit bis zum ersten Teilergebnis. Das Modell ergänzt Transkription um semantisches Endpointing und strukturierte Entitäten.

Der Endpunkt ink-2 ist über die Cartesia-API und Play erreichbar. Zur Einführung wurde Englisch genannt, eine neuere Produktseite nennt zusätzlich Spanisch, Französisch, Hindi und Japanisch. Die Sprachangaben der offiziellen Quellen sind nicht einheitlich. Die Abrechnung nutzt drei Credits pro Audiosekunde, deren Dollarpreis vom Tarif abhängt.