AssemblyAI 发布首款语音合成模型 AssemblyAI-TTS-1，每百万字符 15 美元
AssemblyAI Ships AssemblyAI-TTS-1: A $15 per 1M Character Text-to-Speech API for Voice Agents - MarkTechPost
AssemblyAI 发布首款文本转语音模型 AssemblyAI-TTS-1 并正式开放，面向实时电话语音智能体，定价为每 100 万字符 15 美元，不设年度合同和并发档位。该模型仅以托管 API 形式在 us-east-1 和 eu-north-1 提供，支持 HTTP、WebSocket 和 OpenAI 兼容接口，内置 4000 多种音色、即时声音克隆和 6 种语言。厂商自测显示实体准确率 93.7%、首字节中位延迟 47 ms，但 Cekura 独立基准测得流式延迟 159 ms、朗读准确率 81.5%，且发布时尚不支持 SSML、语速控制和情感标签。
推荐理由
AI 评分 55
原文同时列出厂商自测与第三方基准的差异，读者可据此判断这款语音合成 API 在实时通话场景中的真实位置。
主题
正文 · AI 翻译
在 Google 上添加为首选来源
AssemblyAI 已发布 AssemblyAI-TTS-1，这是其首个文本转语音模型，现已正式可用。AssemblyAI-TTS-1 文本转语音 API 面向运行在实时电话通话中的语音智能体。在这种场景下，延迟和发音决定了来电者是否会继续通话。定价为每 100 万字符 15 美元，无年度合同，也无需购买并发档位。对于已经在使用 AssemblyAI 语音转文本的开发者来说，它通过单一供应商闭合了语音环路。
TL;DR
规模：这是一个托管 API 模型。
运行于：仅限 AssemblyAI 的云，位于美国（us-east-1）或欧盟（eu-north-1）。没有开放权重或本地部署选项。任何具备 HTTP 或 WebSocket 的客户端均可使用。
性能：在 AssemblyAI 的测试中，实体准确率与 ElevenLabs v4 持平，而价格不到其 1/5。
最佳：在 AssemblyAI 的 API 测试中（自报数据），6 个模型的首字节中位时间为 47 ms。
最差：在 Cekura 的独立基准测试中，流式延迟中位数为 159 ms，在 19 个计时模型中排名第 8。
底线：
最佳：每 100 万字符 15 美元，并发不限。
最差：尚不支持 SSML、语速控制、发音词典或情感标签。
什么是 AssemblyAI-TTS-1？
AssemblyAI-TTS-1 是 AssemblyAI 推出的流式文本转语音模型，可将智能体的回复转换为语音，用于实时通话。它基于数百万小时的音频训练，包括真实对话数据。大多数 TTS 模型将音频表示为离散 token。AssemblyAI 表示，TTS-1 改为基于连续音频表示运行。AssemblyAI 声称这提升了真实感并缩短了首个语音音频的生成时间。
TEXTTABLELAYOUT你的 PDF 解析器真的解析正确了吗？omni_parse_bench · 对文本、表格和布局评分 · 开源在 GitHub 上加星→赞助
此次发布包含 4,000 多种音色的库和即时声音克隆。克隆需要一段简短录音并确认说话者许可。发布博文中的克隆使用了 24 秒音频。发布时支持六种语言：英语、西班牙语、法语、德语、意大利语和葡萄牙语。
开发者如何集成 AssemblyAI-TTS-1？
共有 3 种接口：HTTP API、WebSocket API 和 OpenAI 兼容路由。WebSocket 会话为每个对话保持一个连接，并接受取消消息以支持打断。输出为单声道 PCM、mu-law 或 A-law，采样率 8 kHz 至 48 kHz。24 kHz PCM 是原生格式；电话技术栈可直接请求 8 kHz mu-law。包含词级时间戳。AssemblyAI 还发布了 LiveKit 和 Pipecat 参考智能体。
AssemblyAI-TTS-1 在基准测试中表现如何？
AssemblyAI 在 4 个英语数据集上使用 50 个匹配的克隆音色，将 TTS-1 与 5 个模型进行了对比测试。以下所有数据均为自报，来自日期为 2026 年 10 月 28 日的评估。
实体准确率（580 个困难目标，如电话号码和代码）：93.7%，对比 ElevenLabs v4 的 93.6%、Cartesia Sonic 3.6 的 82.5%、ElevenLabs Flash v2.5 的 68.0%。
词准确率：在 Seed-TTS 和 LibriSpeech 句子上为 99.0%。
预测 MOS：3.85，落后于 Inworld TTS-2 Flash 的 3.88，领先于 Sonic 3.6 的 3.82。
首字节中位时间：47 ms。Flash v2.5 为 119 ms，Sonic 3.6 为 143 ms，Inworld TTS-2 Flash 为 244 ms。
其他：TTSDS 韵律得分 85.5，克隆音频的说话人相似度为 0.64。
独立结果则更为参差。在 Cekura 对 27 个模型的基准测试中，TTS-1 的朗读准确率为 81.5%，自然度为 4.50。其流式延迟中位数（从发送最后一个词开始计时）为 159 ms。Inworld TTS-2 Flash 在该测试中为 45 ms 和 93.2% 准确率，价格同为 15 美元。AssemblyAI 还引用了 Coval 排行榜上 1.7% 的词错误率。它报告在 Artificial Analysis 的受控音色竞技场中首次进入前十。
AssemblyAI-TTS-1 与 ElevenLabs、Cartesia 和 Inworld 相比如何？
功能AssemblyAI-TTS-1Inworld TTS-2 FlashElevenLabs Flash v2.5Cartesia Sonic 3.6
模型规模未披露未披露未披露未披露
架构连续音频表示未披露未披露状态空间模型（SSM）
访问方式托管 API（美国、欧盟）托管 API托管 API托管 API；企业版支持本地部署和 VPC
语言6200+3244
厂商延迟声明首个音频约 90 ms服务端 TTFB P99 低于 25 ms约 75 ms低于 90 ms
首字节中位时间，AssemblyAI 测试47 ms244 ms119 ms143 ms
流式延迟中位数，Cekura159 ms45 ms177 ms270 ms
实体准确率，AssemblyAI 数据集93.7%未报告68.0%82.5%
朗读准确率，Cekura81.5%93.2%64.4%74.9%
自然度，Cekura（UTMOS）4.504.464.334.41
每 100 万字符标价15 美元按需 15 美元，Growth 计划 7 美元40 美元37.38 至 50 美元（通过计划额度）
自助并发按量付费不限按计划 5 至 500 个请求未披露按计划 2 至 15 个请求
声音克隆仅即时即时和专业版支持支持即时和专业版
Cartesia 的价格区间是将每个计划价格除以其额度，按每字符 1 个额度计算。
AssemblyAI-TTS-1 的价格是多少？
定价按输入字符数计算，包括空格和标点，每 100 万字符 15 美元。所有音色、声音克隆、词级时间戳和欧盟区域处理均按同一费率计费。没有按音色收费、并发收费或最低消费。AssemblyAI 称其为面向语音智能体的最低价前沿 TTS 模型。不过，Inworld TTS-2 Flash 按需定价同样为每 100 万字符 15 美元，付费计划可降至 7 美元。更明显的差异在于并发：Inworld 的按需档位允许 5 个并发请求。
要点
AssemblyAI-TTS-1 是 AssemblyAI 的首个文本转语音模型，专为实时语音智能体打造。
价格为每 100 万字符 15 美元，并发不限且无需合同。
自报数据：实体准确率 93.7%，首字节中位时间 47 毫秒。
Cekura 测得流式延迟 159 毫秒，朗读准确率 81.5%。
发布时缺失：SSML、语速控制、发音词典和情感标签。
Michal Sutter+ 发布 简介 ⮌
Michal Sutter 是一名数据科学专业人士，拥有帕多瓦大学数据科学理学硕士学位。凭借在统计分析、机器学习和数据工程方面的扎实基础，Michal 擅长将复杂数据集转化为可执行的洞察。
Michal SutterMirendil 发布其首个模型 Fern 0.1，支持 1000 万 token 上下文
$uv pip install omni-parse-bench✓文本✓表格✓布局→ 按页计分在 GitHub 上加星→赞助
相关文章更多来自作者
Baseten 发布 joey-1，一个 20 亿参数的决策模型，每 100 万 token 收费 0.01 美元
Prime Intellect 发布 Prime Mega MoE：可训练的融合 MoE 内核，前向传播快 3.11 倍
NVIDIA 发布 Nemotron 3.5 Transcribe：一个开放的 300 亿参数 MoE 模型，支持 40 种语言转录，约 40 亿活跃参数