在 Cartesia 的 playground 里，Elvis Saravia 上传了大约 15 秒自己的录音。几秒钟后，一个能开口说话的"他"就出现了。

他让这个克隆声音说了一段日语。那是他本人不会讲的语言。

打开网易新闻 查看精彩图片

支撑这次尝试的是 Cartesia 最新的语音模型 Sonic 3.6。据他实测，该模型支持 44 种语言，克隆过程在几秒内完成。

Saravia 给出的判断很直接：这类能力可以让内容触达更多语言的受众。一个只会说英语的创作者，不必先学会一门外语，也能让自己的声音出现在另一种语言里。

从操作路径看，门槛被压得很低——一段十几秒的样本，一个浏览器里的 playground，剩下的交给模型。真正需要重新想的，是"这是谁在说话"这件事本身。