Cartesia语音Agent登顶：每分钟3美分，排在Google和OpenAI前面

Cartesia发布了Managed Agents，一个面向企业的端到端语音Agent平台。发布当天，它在两个独立榜单上同时拿了第一。

先看数据。

Artificial Analysis的Speech Agent Arena，盲测人类评分，任务是预约、点外卖这类日常对话。Managed Agents排第一，偏好Elo 1115。排在后面的是Google的Gemini 3.1 Flash Live Minimal（1099）、Gemini 3.8 Live（1079）、xAI的Grok Voice 3.0（1064）、OpenAI的GPT-Live-1（1041和1037）。ElevenLabs的Realtime v1 Max是1003。

另一个是ServiceNow的EVA-Bench，覆盖客服、IT服务台、HR等200多个企业场景。Managed Agents的准确率87.4%，体验分90.7%，两项都是最高。第二名Grok Voice 3.0的准确率是73.7%，体验71.2%。差距不算小。

Cartesia给出的解释是：他们把语音模型和harness放在一起设计。听、轮次判断、推理、工具调用、语音输出，作为一个系统调优，而不是把ASR、LLM、TTS三段拼起来。

这个说法值得留意。过去企业语音Agent的主流做法是级联管线，每一段单独优化，但段与段之间会丢信息，打断、停顿、改主意这些真实对话里的常见动作，经常处理不好。端到端的语音模型更自然，但可控性差，复杂任务容易跑偏。Cartesia赌的是第三条路。

产品层面，Managed Agents把企业跑语音Agent需要的东西收进了一个平台：

• 电话能力，支持Cartesia、Twilio或SIP号码，接听和呼出都行。外呼批处理一次最多排5000个号码。
• 工具调用，接后端API、CRM和记录系统，通话过程中查数据、执行操作。
• 知识库，从几百份文档里取答案，上下文动态预填，不用停下来搜索。
• 多语言，44种语言，英语、西班牙语、印地语、法语、日语之间可以中途切换。
• 测试和留档，浏览器里直接拨测，自定义指标打分，每通电话保留录音、转写和摘要。

合规方面有HIPAA、SOC 2 Type 2、GDPR。Cartesia说这套系统已经在金融、零售、酒店、医疗行业跑过数千万通对话。

价格是另一个重点。每分钟3美分，发布期五折。如果用Cartesia自己的电话号码，每分钟再加1.4美分。

有网友在推文下评论，3美分一分钟，可能让非工作时间的客服支持变得可负担。也有人说，先被卷的可能不是客服，而是那些还在排队的人工热线。

还有一个数据没被太多人提到。Cartesia内部的评测里，85%的对话没有出现轮次问题，其他Agent是67%。这个数字来自厂商自己的测试，不是第三方，看的时候要打个折。但它指向的问题是真的：语音Agent最难的部分，往往不是回答得对不对，而是能不能在该停的时候停、该接的时候接。

EVA-Bench的结果也给出了一个参照。Gemini 3.8 Live的体验分是88.6%，不低，但准确率只有45.9%。ElevenLabs的级联方案准确率67.2%，体验分掉到13.0%。两个维度同时拉高，比单独拉高一个难。Cartesia这次把两个数都放在了右上角。

当然，榜单有它的边界。Speech Agent Arena的任务偏日常，预约、点外卖，和企业里真正的复杂通话不是一回事。EVA-Bench更贴近企业场景，但200多个场景能不能覆盖真实长尾，也需要时间验证。

真正确定的是价格。每分钟3美分，意味着一通10分钟的电话成本三毛钱。这个数字一旦成立，语音Agent的铺设逻辑会变。不是要不要用的问题，是哪些场景还没用上。

Cartesia的文档里写了一句 FAQ：AI打电话合法吗。答案是，遵守你所在地区的法律，比如美国的TCPA，先拿同意，尊重退订，检查行业和辖区的规则。这句话放在发布页里，挺清醒。

技术跑得比规则快，这次也不例外。