AssemblyAI выпустила AssemblyAI-TTS-1 — свою первую модель синтеза речи, сразу в общем доступе. API рассчитан на голосовых агентов, которые работают в живых телефонных звонках: там именно задержка и произношение решают, останется абонент на линии или положит трубку. Цена — $15 за 1 млн символов, без годового контракта и без покупки уровней конкурентности. Для тех, кто уже использует распознавание речи от AssemblyAI, это замыкает голосовой цикл на одном вендоре.
Что умеет AssemblyAI-TTS-1
Модель обучена на миллионах часов аудио, включая реальные разговорные данные. Большинство TTS-моделей представляют звук дискретными токенами; AssemblyAI утверждает, что TTS-1 работает с непрерывными аудиопредставлениями, и это повышает реалистичность и сокращает время до первого звука.
В запуск вошли библиотека из 4000+ голосов и мгновенное клонирование. Для клона нужна короткая запись и подтверждение разрешения говорящего — в демонстрационном примере использовали 24 секунды аудио. На старте поддерживаются шесть языков: английский, испанский, французский, немецкий, итальянский и португальский.
Модель хостится только в облаке AssemblyAI — в регионах US (us-east-1) или EU (eu-north-1). Открытых весов и варианта для установки на своих серверах нет. Подойдёт любой клиент, умеющий HTTP или WebSocket.
Три интерфейса и телефония
Для интеграции есть HTTP API, WebSocket API и маршрут, совместимый с OpenAI. Сессия WebSocket держит одно соединение на разговор и принимает сообщение отмены — это нужно для перебивания (barge-in), когда абонент говорит поверх агента.
Выход — моно PCM, mu-law или A-law, от 8 кГц до 48 кГц. Нативный формат — PCM 24 кГц, но телефония может сразу запросить 8 кГц mu-law. В ответе есть временные метки слов. AssemblyAI также опубликовала референсных агентов для LiveKit и Pipecat.
Бенчмарки: свои и чужие
Собственные замеры AssemblyAI — сравнение с пятью моделями на четырёх английских наборах и 50 согласованных клонированных голосах, оценка от 28 октября 2026 года. Все цифры ниже заявлены вендором.
- Точность на сущностях (580 сложных целей вроде номеров телефонов и кодов): 93,7% против 93,6% у ElevenLabs v4, 82,5% у Cartesia Sonic 3.6 и 68,0% у ElevenLabs Flash v2.5.
- Точность на словах: 99,0% на предложениях Seed-TTS и LibriSpeech.
- Прогнозируемая MOS: 3,85 — позади Inworld TTS-2 Flash с 3,88 и впереди Sonic 3.6 с 3,82.
- Медианное время до первого байта: 47 мс. У Flash v2.5 — 119 мс, у Sonic 3.6 — 143 мс, у Inworld TTS-2 Flash — 244 мс.
- Прочее: 85,5 балла TTSDS по просодии и 0,64 сходства говорящего для клонированного аудио.
Независимые результаты скромнее. В бенчмарке Cekura на 27 моделях TTS-1 набрала 81,5% точности чтения и 4,50 естественности. Медианная задержка стриминга, отсчитанная от последнего отправленного слова, — 159 мс, восьмое место из 19 замеренных моделей. Inworld TTS-2 Flash показала там 45 мс и 93,2% точности при той же цене $15. AssemblyAI также ссылается на 1,7% частоты ошибок на словах в таблице лидеров Coval и на дебют в топ-10 контролируемой голосовой арены Artificial Analysis.
Сколько это стоит и чего пока нет
Плата берётся за введённый символ, включая пробелы и знаки препинания, — $15 за 1 млн. По этому же тарифу идут все голоса, клонирование, временные метки слов и обработка в ЕС. Нет ни платы за голос, ни платы за конкурентность, ни минимумов. AssemblyAI называет это самой низкой ценой среди передовых TTS-моделей для голосовых агентов.
Однако Inworld TTS-2 Flash тоже указывает $15 за 1 млн по требованию, а на платных тарифах — $7. Более заметное отличие — конкурентность: у Inworld на тарифе по требованию разрешено 5 одновременных запросов, тогда как у AssemblyAI на pay-as-you-go она не ограничена.
Из ограничений на старте: нет SSML, управления скоростью, словарей произношения и эмоциональных тегов. Для сценариев, где агенту нужно менять темп или ставить ударение в незнакомом названии, это придётся обходить на уровне текста.
Что это значит для голосовых проектов
Сравнение с конкурентами по ключевым параметрам выглядит так:
| Параметр | AssemblyAI-TTS-1 | Inworld TTS-2 Flash | ElevenLabs Flash v2.5 | Cartesia Sonic 3.6 |
|---|---|---|---|---|
| Языки | 6 | 200+ | 32 | 44 |
| Медиана TTFB (тест AssemblyAI) | 47 мс | 244 мс | 119 мс | 143 мс |
| Медиана задержки стриминга (Cekura) | 159 мс | 45 мс | 177 мс | 270 мс |
| Точность на сущностях (набор AssemblyAI) | 93,7% | не сообщается | 68,0% | 82,5% |
| Цена за 1 млн символов | $15 | $15 по требованию, $7 на Growth | $40 | $37,38–$50 по кредитам тарифа |
| Самостоятельная конкурентность | Не ограничена на pay-as-you-go | 5–500 запросов по тарифу | не раскрывается | 2–15 запросов по тарифу |
Выбор между TTS-1 и Inworld TTS-2 Flash упирается в то, что важнее: неограниченная конкурентность и цена без тарифных ступеней у AssemblyAI или более низкая задержка в независимом тесте и 200+ языков у Inworld. Для проектов, где уже есть распознавание речи от AssemblyAI, интеграция одной моделью экономит на согласовании вендоров и биллинге.
Если вы сравниваете движки синтеза для голосового агента, посмотрите обзор трёх моделей Mistral Voxtral 3 и бенчмарк TTFT для голосовых ИИ-агентов — там разбирается, кто быстрее отвечает. А для сценариев распознавания речи пригодится разбор Saaras V4 от Sarvam AI.
Частые вопросы
Кого касается выход AssemblyAI-TTS-1?
Разработчиков голосовых агентов для телефонных звонков — колл-центров, сервисов записи и поддержки. Модель доступна только как облачный API, поэтому локальным администраторам она интересна лишь в связке с внешними сервисами.
Можно ли развернуть модель на своих серверах?
Нет. Открытых весов нет, вариант on-prem не предусмотрен. Работает только облако AssemblyAI в US (us-east-1) или EU (eu-north-1).
Как считается цена?
За каждый введённый символ, включая пробелы и знаки препинания, — $15 за 1 млн. Клонирование голоса, временные метки и обработка в ЕС входят в тот же тариф.
Есть ли ограничение на одновременные запросы?
На pay-as-you-go конкурентность не ограничена. Это одно из главных отличий от Inworld TTS-2 Flash, где на тарифе по требованию разрешено 5 одновременных запросов.
Какие форматы аудио на выходе?
Моно PCM, mu-law или A-law, от 8 кГц до 48 кГц. Нативный формат — PCM 24 кГц, телефония может запросить 8 кГц mu-law напрямую.
Поддерживается ли перебивание абонентом?
Да, в WebSocket-сессии есть сообщение отмены для barge-in: соединение держится одно на разговор.
Чего не хватает на старте?
SSML, управления скоростью, словарей произношения и эмоциональных тегов. Если агенту нужно менять темп или уточнять произношение названий, это придётся решать на уровне подготовки текста.
Сколько языков поддерживается?
Шесть: английский, испанский, французский, немецкий, итальянский и португальский. У конкурентов бывает больше — например, 200+ у Inworld TTS-2 Flash.
Насколько можно верить заявленным 47 мс?
Это собственный замер AssemblyAI. Независимый бенчмарк Cekura дал 159 мс медианной задержки стриминга и восьмое место из 19 моделей, так что цифры вендора стоит проверять на своём сценарии.
Что делать, если уже используем распознавание речи AssemblyAI?
Можно замкнуть голосовой цикл на одном вендоре: распознавание и синтез в одном биллинге. Для интеграции есть HTTP, WebSocket и маршрут, совместимый с OpenAI, плюс референсные агенты для LiveKit и Pipecat.
Источник: marktechpost.com