Cartesia vs Deepgram Aura：实时 TTS、语音管线与费用怎么选

Cartesia 与 Deepgram Aura 都能把文字转成可流式播放的语音。若你只挑“说话层”，重点测声音、延迟、并发和价格；若你已经用 Deepgram 做转录，还要把整条 STT→LLM→TTS 管线的维护成本算进去。Deepgram 另有 Flux TTS，本文只比较 Aura-2；两者接口和计价不能混为一谈。

核心差异

Cartesia 的 Sonic 3.6 提供 WebSocket 增量文本、context 和 continuation，适合 LLM 的文本一段段到来时持续合成。Deepgram Aura-2 提供 REST 与 WebSocket，适合需要 REST 快速接入或在 Deepgram 生态内使用语音合成的团队。**但两者的语言覆盖差异很大：Cartesia Sonic 3.6 官方包含中文，Aura-2 当前官方 TTS 列表不含中文。中文语音合成项目不应把 Aura-2 当作可直接替换的候选。**Deepgram WebSocket 有 Flush 和 Clear 控制消息：前者处理缓冲中待生成文本，后者在用户打断时清理内部缓冲。Cartesia 则有 context 取消与 flush 机制。实际插话效果还取决于你是否停止本地播放器缓冲。

Cartesia 适合什么情况

Cartesia 的优势是同一个 WebSocket context 中连续送入文本并收音频，减少多句拼接时的停顿。Sonic 3.6 官方支持包括中文的 44 种语言；一支语音是否能自然朗读你的品牌名、金额和混合语句，要用自己的录音盲测。Cartesia 还可提供 Ink STT 和托管式 Agent，但本比较只把 TTS 算作必需能力。

Deepgram Aura 适合什么情况

Deepgram Aura-2 的官方资料强调实时交互和企业应用，可通过 REST 或 WebSocket 使用。若你的产品已经在 Deepgram 上做识别，供应商、账单与监控可能更容易集中。Aura-2 对日期、金额等格式化文本的读法也有官方指导；上线时应先对输入文本做标点、缩写和敏感数据处理。官方当前列出的 Aura-2 TTS 语言为英语、西班牙语、德语、法语、荷兰语、意大利语和日语；Deepgram STT 支持中文，不能据此推断 Aura-2 也能合成中文。Deepgram 的 Flux TTS 另有 v2 Speak WebSocket；照抄 Flux 的示例调用 Aura 会失败。

价格与计费

截至 2026 年 10 月 6 日，Cartesia 官网列出 Free 每月 2 万 credits、Pro 每月 5 美元含 10 万 credits，TTS 用量按 credits 消耗。Deepgram 价格页列 Aura-2 Pay As You Go 为每千字符 0.03 美元，并提供初始试用额度。两种单位不同，不应按单价做“绝对便宜”结论。用同一批文本统计实际字符、输出、失败重试、并发和电话链路，再计算每次成功会话费用。

落地检查

分别测完整文本 HTTP 流和 LLM 增量文本 WebSocket；固定样本、区域、音频格式和播放器缓冲。做中文服务时，先依据语言支持排除 Aura-2；比较受支持语言时，再准备 30 条同语种客服话术，包含订单号、金额、地址、人名、时间和用户插话。记录首可播放音频时间、整句完成、字词错误、打断后多播时间、连接失败和账单。生产环境的 API key 留在服务端，日志与语音数据按隐私政策保留。

结论

LLM 增量输出是关键路径，优先测 Cartesia。已有 Deepgram STT、希望让语音识别和合成共享平台，优先测 Aura-2。若目标语言是中文，当前应选支持中文的 TTS 候选，Aura-2 不在其中；若目标语言受两者支持，再做真实链路和同语种盲听。

官方资料

• Cartesia Sonic 3.6
• Cartesia WebSocket TTS
• Cartesia 价格
• Deepgram Aura Streaming 功能 · TTS 语言范围
• Deepgram Flush ·