Cartesia 把语音 Agent 整条流水线打包卖了：盲测登顶 30 个对手，每分钟 3 美分

先讲结论： 做语音模型的 Cartesia 在 10 月 29 日上线了 Managed Agents。这次卖的不是又一个更好的 TTS，而是一整套「能接电话、能查系统、能自己把话说完」的语音 Agent 托管平台：电话线路、知识库、工具调用、模型编排全打包，通话时长按每分钟 3 美分计费。官方说它在 Artificial Analysis 的 Speech Agent Arena 上 30 个 Agent 里排第一，在 ServiceNow 的企业语音基准 EVA-Bench 上准确率和体验双项最高。对正在做客服、预约、外呼这类「AI 接电话」产品的人来说，这等于多了一个「整包买」而不是「自己拼」的选项。

这是什么？

一句话：它是一个端到端的语音 Agent 平台，你只要定义任务和接上后端系统，剩下的听、想、说、等对方说完、被打断再接回来，平台全包。

过去做语音 Agent，主流做法是把三段模型串起来：语音识别（听）→ 大语言模型（想）→ 语音合成（说），中间再加一个「轮次检测」判断对方有没有说完。这套拼装方案便宜、灵活，但工程上很脆：每段各自优化，拼在一起就会出现抢话、反应慢半拍、被打断之后接不上话的问题。

Cartesia 的说法是，他们把「harness（编排层）」和自家语音模型放在一起设计，把听、判断轮次、推理、调工具、说话当成一个系统调，而不是五个零件各自调好再焊起来。

关键数字

• 价格：通话时长每分钟 0.03 美元（官方称首发五折）；电话线路另计，用 Cartesia 提供的号码是每分钟 0.014 美元；对话中调用大模型的费用单独计
• 盲测排名：Artificial Analysis 的 Speech Agent Arena 上，30 个 Agent 里排第一，偏好 Elo 1115，官方列的对手包括 Gemini 3.1 Flash Live Minimal（1099）、Gemini 3.8 Live（1079）、Grok Voice 3.0（1064）、GPT-Live-1（1041 / 1037）、Eleven Realtime v1 Max（1003）
• 企业基准：ServiceNow 的 EVA-Bench（200 多个客服、IT 服务、HR 场景），准确率 87.4%、体验 90.7%，官方称在同批系统里两项都是最高
• 打断处理：官方内部评测里，85% 的对话没有任何轮次问题，对比其他 Agent 是 67%
• 语言：平台支持 44 种语言；目前能在对话中途切换的是英语、西班牙语、印地语、法语、日语，其余「即将支持」
• 规模：官方称已在金融、零售、酒店、医疗行业跑过数千万通对话

为什么这次值得看

语音 Agent 这一年的竞争焦点，已经从「谁的 TTS 更像人」转到「谁能把一整通电话跑完不出错」。

原因很现实：企业场景里一通电话往往不是一问一答，而是「核实身份 → 查三个系统 → 报政策 → 客户改主意 → 重来」。任何一环掉链子，客户就会说「转人工」。所以决定成败的不是单点音质分，而是打断、抢话、工具调用失败后能不能自己找补回来。

Cartesia 这次的定位很明确：不跟你在模型榜单上比小数点，直接把「跑完一通复杂电话」当成产品卖。它自己也承认这是取舍——级联方案（拼接式）可控性强但不够自然，端到端语音模型自然但不好控；它的答案是两边都自己写，用一套 harness 兜住。

具体能干什么

• 接电话：平台自带电话号码、并发通话数按套餐给（免费档 8 路，往上 12 / 20 / 60 路，企业可定制）
• 查系统、动手：接自己的后端 API、CRM、记录系统，在通话中查记录、下单、改预约
• 查文档：知识库支持几百份文档，官方说上下文是「提前填好」的，回答时不用现场检索等半天
• 批量外呼：可以排上千通外呼任务，每通按对象做个性化
• 多语言：44 种语言覆盖，通话中可换语言（目前五种已支持）

怎么用？

• 从平台起手：直接在 Cartesia 控制台建 Agent，选音色、挂知识库、配工具，电话进来就能接。适合想快速验证「AI 接电话」这件事值不值得做的团队
• 接自己的系统：用工具调用把内部 API 暴露给 Agent，让它在通话里查单、改期、退款
• 算清全账：0.03 美元/分钟只是通话时长，电话线路 0.014 美元/分钟起，大模型 token 另算。真实每分钟成本要按自己的对话长度和模型选择重算一遍
• 第一步建议：先拿一个高频、边界清晰的场景（比如「查订单状态」「改预约时间」）跑两周，把转人工率和平均通话时长记下来，再决定要不要扩到复杂场景

适用场景

• 客服中心的一线分流：查单、改地址、退换货、报修登记
• 预约与排程：诊所、汽修、门店，接电话、看空档、改时间
• 外呼销售与回访：批量触达、初步筛选、把有意向的转人工
• 催收与账单提醒：流程固定、需要多系统核对
• IT 服务台：密码重置、工单登记、状态查询

不适用场景

• 必须私有化部署的：这是托管服务，虽然 Cartesia 自己也卖 TTS/STT 模型可以自托管，但 Managed Agents 这一层是平台
• 对话逻辑极其特殊的：强监管行业里那些「一句话说错就出事」的流程，仍然需要大量人工兜底和合规审查
• 只想给视频配音的：这是接电话的 Agent 平台，不是配音工具，用它的 TTS API 更合适
• 预算极敏感的：0.03 美元/分钟听着便宜，但如果一通电话要聊 5 分钟、还要接大模型，成本会明显上去，得先算账

注意事项（避坑）

• 榜单是厂商引用：Speech Agent Arena 和 EVA-Bench 的数字都来自 Cartesia 自家博客的引用，测试条件、对手配置（比如有些对手跑的是低配推理档）都会影响结论，别直接当成绝对排名
• 别把「44 种语言」理解成全都能中途切换：官方明确说目前中途切语言只有五种，其余是「即将支持」
• 价格要拆开看：通话时长、电话线路、大模型 token 是三笔账，官方页面上写得很清楚，但宣传语里通常只提前者
• 延迟没给硬指标：这次发布页没有像 TTS 那样给出首包毫秒数，只给了偏好 Elo 和准确率，说明竞争维度已经换了

成本参考

按官方定价粗算一通 3 分钟的标准客服电话：

• 通话时长：3 × 0.03 = 0.09 美元
• 电话线路（用平台号码）：3 × 0.014 = 0.042 美元
• 大模型 token：按所选模型和对话长度另算，通常是与前两项同一量级甚至更高

也就是说，「每分钟 3 美分」是地板价，不是到手价。

参考来源

• Cartesia 官方博客：Introducing Managed Agents — https://cartesia.ai/blog/managed-agents
• Cartesia 官方定价页（含 Managed Agents 各档通话时长与线路费用）— https://cartesia.ai/pricing
• Cartesia 官方博客索引（该文置顶，日期 Oct 29, 2026）— https://cartesia.ai/blog

说明：本文依据 Cartesia 官方发布页与官方定价页整理；文中榜单与基准数字均为官方引用，属厂商自述，建议自行复核后再做采购决策。