AssemblyAI пуска AssemblyAI-TTS-1: API за преобразуване на текст в реч за гласови агенти на цена $15 за 1 млн. знака
MarkTechPost·7 мин четене
AssemblyAI пусна AssemblyAI-TTS-1, първия си модел за преобразуване на текст в реч, който вече е общодостъпен. API интерфейсът за преобразуване на текст в реч AssemblyAI-TTS-1 е предназначен за гласови агенти, работещи в реални телефонни разговори. В такава среда латентността и произношението определят дали обаждащият се ще остане на линията. Цената е 15 долара за 1 млн. знака, без годишен договор и без необходимост от закупуване на ниво за паралелност. За разработчиците, които вече използват преобразуването на реч в текст на AssemblyAI, това затваря гласовия цикъл с един доставчик.
Накратко
Размер: Това е хостван API модел.
Работи в: Само в облака на AssemblyAI, в САЩ (us-east-1) или ЕС (eu-north-1). Няма отворени тегла или опция за локално внедряване. Всеки клиент с HTTP или WebSocket работи.
Производителност: Изравнява се с ElevenLabs v4 по точност при разпознаване на обекти в тестовете на AssemblyAI, при цена под една пета от неговата.
Най-добро: 47 ms медианно време до първия байт сред 6 модела в API теста на AssemblyAI (по данни на компанията).
Най-добро: 15 долара за 1 млн. знака с неограничена паралелност.
Най-слабо: все още няма SSML, контрол на скоростта, речници за произношение или тагове за емоции.
Какво представлява AssemblyAI-TTS-1?
AssemblyAI-TTS-1 е стрийминг модел за преобразуване на текст в реч от AssemblyAI, който превръща отговорите на агентите в реч за разговори на живо. Той е обучен с милиони часове аудио, включително реални разговорни данни. Повечето TTS модели представят аудиото като дискретни токени. От AssemblyAI заявяват, че TTS-1 вместо това работи с непрекъснати аудио представяния. Според компанията това подобрява реалистичността и съкращава времето до първия изговорен звук.
При старта са включени над 4000 гласа и незабавно клониране на глас. За клонирането е необходим кратък запис и потвърждение, че говорителят е дал разрешение. Клонираният глас в публикацията за старта е използвал 24 секунди аудио. При старта се поддържат шест езика: английски, испански, френски, немски, италиански и португалски.
Как разработчиците интегрират AssemblyAI-TTS-1?
Има 3 интерфейса: HTTP API, WebSocket API и съвместим с OpenAI маршрут. WebSocket сесията поддържа една връзка за всеки разговор и приема съобщение за отмяна при прекъсване от страна на обаждащия се. Изходът е моно PCM, mu-law или A-law, при честота от 8 kHz до 48 kHz. 24 kHz PCM е естественият формат; телефонните стекове могат директно да поискат 8 kHz mu-law. Включват се времеви маркери за думите. AssemblyAI публикува и референтни агенти за LiveKit и Pipecat.
Как се представя AssemblyAI-TTS-1 в бенчмарковете?
AssemblyAI тества TTS-1 спрямо 5 модела в 4 английски набора, използвайки 50 съпоставени клонирани гласа. Всички стойности по-долу са посочени от компанията и са от оценка, проведена на 28 октомври 2026 г.
Точност при разпознаване на обекти (580 сложни цели, като телефонни номера и кодове): 93,7% спрямо 93,6% за ElevenLabs v4, 82,5% за Cartesia Sonic 3.6 и 68,0% за ElevenLabs Flash v2.5.
Точност на думите: 99,0% върху изреченията от Seed-TTS и LibriSpeech.
Прогнозен MOS: 3,85, зад Inworld TTS-2 Flash с 3,88 и пред Sonic 3.6 с 3,82.
Медианно време до първия байт: 47 ms. Flash v2.5 е достигнал 119 ms, Sonic 3.6 — 143 ms, а Inworld TTS-2 Flash — 244 ms.
Други: резултат 85,5 за просодия по TTSDS и 0,64 сходство на говорителя за клонирано аудио.
Независимите резултати са по-смесени. В бенчмарка на Cekura с 27 модела TTS-1 е постигнал 81,5% точност при четене и 4,50 естественост. Медианната му латентност при стрийминг, измерена от изпращането на последната дума, е била 159 ms. Inworld TTS-2 Flash е постигнал 45 ms и 93,2% точност там при същата цена от 15 долара. AssemblyAI цитира и коефициент на грешка при думите от 1,7% в класацията на Coval. Компанията съобщава за дебют в топ 10 в контролираната арена за гласове на Artificial Analysis.
Play</button>
<button class="btn ghost" id="aai-prev">‹ Назад</button>
<button class="btn ghost" id="aai-next">Напред ›</button>
</div>
</div>
<div class="pane" data-p="bench">
<div class="pills" id="aai-pills">
<button class="pill on" data-m="ent">Точност при разпознаване на обекти</button>
<button class="pill" data-m="ttfb">Медианно TTFB (тест на AssemblyAI)</button>
<button class="pill" data-m="cstream">Латентност при стрийминг (Cekura)</button>
<button class="pill" data-m="cacc">Точност при четене (Cekura)</button>
</div>
<div class="bars" id="aai-bars"></div>
<p class="note" id="aai-bnote"></p>
</div>
<div class="pane" data-p="cost">
<div class="calc">
<label for="aai-min">Изговорени минути месечно: <b id="aai-minv" style="color:#fdfcf8">10,000</b></label>
<input type="range" id="aai-min" min="1000" max="200000" step="1000" value="10000">
<div class="cost" id="aai-cost"></div>
<p class="note">Приема се, че телефонната реч съдържа 600 знака на минута — стойността, която AssemblyAI посочва като типична. Каталожни цени за 1 млн. знака: AssemblyAI-TTS-1 — 15 долара, Inworld TTS-2 Flash — 15 долара при заявка, ElevenLabs Flash v2.5 — 40 долара, ElevenLabs v4 — 80 долара. Ограниченията за паралелност не са включени в цените.</p>
</div>
</div>
<div class="pane" data-p="limits">
<div class="grid" id="aai-cards">
<div class="card"><h4>Без SSML или контрол на скоростта <span class="tag">ПРОПУСК ПРИ СТАРТА</span></h4><p>WebSocket API няма параметър за скорост, височина на тона, емоция или стил, а нито един от двата API интерфейса не приема SSML. Пунктуацията и изписаните паразитни думи като "ъм" все пак влияят върху начина на произнасяне.</p></div>
<div class="card"><h4>Без речници за произношение <span class="tag">ПРЕДСТОИ</span></h4><p>Персонализираните речници за произношение и таговете за емоции са обявени, но все още не са пуснати. Cartesia Sonic 3.6 вече предлага персонализирани произношения.</p></div>
<div class="card"><h4>6 езика <span class="tag">ПОКРИТИЕ</span></h4><p>Английски, испански, френски, немски, италиански и португалски. ElevenLabs Flash v2.5 посочва 32 езика, а Cartesia Sonic 3.6 — 44.</p></div>
<div class="card"><h4>Латентността зависи от метода <span class="tag">ПРОВЕРЕТЕ Я</span></h4><p>Около 90 ms според рекламните данни, 47 ms медианно в собствения тест на AssemblyAI, 159 ms медианна латентност при стрийминг в Cekura (измерена от изпращането на последната дума).</p></div>
<div class="card"><h4>Само незабавно клониране <span class="tag">ПРОПУСК ПРИ СТАРТА</span></h4><p>Професионалното (фино настроено) клониране на глас все още не е налично. За незабавното клониране са нужни кратък запис и разрешение от говорителя.</p></div>
<div class="card"><h4>Само в облака <span class="tag">ВНЕДРЯВАНЕ</span></h4><p>Хостове в САЩ (us-east-1) и ЕС (eu-north-1) на една и съща цена. Не е обявена опция за локално внедряване.</p></div>
</div>
<p class="note">Докоснете карта, за да я разгънете.</p>
</div>
<div class="ft"><span>Източници: публикацията на AssemblyAI за старта, документацията и цените; бенчмаркът за TTS на Cekura; ценовите страници на доставчиците. Проверено на 29 октомври 2026 г.</span><span class="mtp">Създадено от Marktechpost</span></div>
</div>
<script>
(function(){
var R=document.getElementById('mtp-aai-tts1');if(!R)return;
function resize(){try{parent.postMessage({mtpEmbed:'aai-tts1',h:R.offsetHeight+40},'*')}catch(e){}}
R.querySelectorAll('.tab').forEach(function(t){t.addEventListener('click',function(){
R.querySelectorAll('.tab').forEach(function(x){x.classList.remove('on')});t.classList.add('on');
R.querySelectorAll('.pane').forEach(function(p){p.classList.toggle('on',p.getAttribute('data-p')===t.getAttribute('data-t'))});
if(t.getAttribute('data-t')==='bench')draw(cur);setTimeout(resize,60);});});
var steps=['Вашият LLM на агента генерира отговор. Текстът може да се изпраща дума по дума, докато се генерира.',
'Една WebSocket сесия за всеки разговор. Гласът, езикът, честотата на дискретизация и кодирането се фиксират при свързване.',
'TTS-1 моделира речта чрез непрекъснати аудио представяния, а не чрез дискретни токени. AssemblyAI заявява, че това подобрява реалистичността и скоростта.',
'Аудиото се предава обратно като необработен моно PCM, mu-law или A-law. 24 kHz PCM е естественият формат; 8 kHz mu-law е подходящ за телефонни линии.',
'Ако обаждащият се прекъсне, съобщение за отмяна спира речта. Времевите маркери на думите показват какво действително е било казано.'];
var nodes=R.querySelectorAll('#aai-flow .node'),det=R.querySelector('#aai-detail'),si=-1,timer=null;
function show(i){si=(i+nodes.length)%nodes.length;nodes.forEach(function(n,k){n.classList.toggle('act',k===si);n.classList.toggle('playing',k===3&&si>=3)});det.textContent=(si+1)+'/5 · '+steps[si];resize();}
R.querySelector('#aai-next').onclick=function(){stop();show(si+1)};
R.querySelector('#aai-prev').onclick=function(){stop();show(si<=0?4:si-1)};
var pb=R.querySelector('#aai-play');
function stop(){if(timer){clearInterval(timer);timer=null;pb.textContent=' Възпроизвеждане'}}
pb.onclick=function(){if(timer){stop();return}pb.textContent='❚❚ Пауза';show(si+1);timer=setInterval(function(){show(si+1)},2200)};
var D={
ent:{u:'%',max:100,hi:true,note:'Наборът за произношение на AssemblyAI: 580 сложни цели (телефонни номера, дати, URL адреси, кодове). Данни от компанията, оценка от 28 октомври 2026 г.',
r:[['AssemblyAI-TTS-1',93.7,1],['ElevenLabs v4',93.6],['Cartesia Sonic 3.6',82.5],['ElevenLabs Flash v2.5',68.0]]},
ttfb:{u:' ms',max:650,hi:false,note:'Медианно време до първия байт през всеки API от един клиент, по една заявка. Данни от AssemblyAI. По-ниското е по-добро.',
r:[['AssemblyAI-TTS-1',47,1],['ElevenLabs Flash v2.5',119],['Cartesia Sonic 3.6',143],['Inworld TTS-2 Flash',244],['Inworld TTS-2',280],['ElevenLabs v4',612]]},
cstream:{u:' ms',max:600,hi:false,note:'Cekura: медианното време от изпращането на последната дума до първия чут звук, източната част на САЩ, 104 изречения x 3 прочитания. Независимо измерване. По-ниското е по-добро.',
r:[['Inworld TTS-2 Flash',45],['AssemblyAI-TTS-1',159,1],['ElevenLabs Flash v2.5',177],['Cartesia Sonic 3.6',270],['ElevenLabs v4',561]]},
cacc:{u:'%',max:100,hi:true,note:'Cekura: сложните части, прочетени правилно, оценени от транскрибиращи системи за реч в текст (оценка, а не човешка оценка). Независимо измерване.',
r:[['Inworld TTS-2 Flash',93.2],['AssemblyAI-TTS-1',81.5,1],['ElevenLabs v4',80.4],['Cartesia Sonic 3.6',74.9],['ElevenLabs Flash v2.5',64.4]]}};
var cur='ent',bars=R.querySelector('#aai-bars'),bn=R.querySelector('#aai-bnote');
function draw(m){cur=m;var d=D[m];bars.innerHTML='';d.r.forEach(function(x){
var row=document.createElement('div');row.className='row'+(x[2]?' me':'');
row.innerHTML='<span class="nm">'+x[0]+'</span><span class="track"><span class="fill"></span></span><span class="val">'+(d.u==='%'?x[1].toFixed(1):x[1])+d.u+'</span>';
bars.appendChild(row);var f=row.querySelector('.fill');setTimeout(function(){f.style.width=Math.max(2,x[1]/d.max*100)+'%'},40);});
bn.textContent=d.note;setTimeout(resize,60);}
R.querySelectorAll('#aai-pills .pill').forEach(function(p){p.addEventListener('click',function(){
R.querySelectorAll('#aai-pills .pill').forEach(function(x){x.classList.remove('on')});p.classList.add('on');draw(p.getAttribute('data-m'))})});
var rng=R.querySelector('#aai-min'),mv=R.querySelector('#aai-minv'),co=R.querySelector('#aai-cost');
var P=[['AssemblyAI-TTS-1',15,1],['Inworld TTS-2 Flash (при заявка)',15],['ElevenLabs Flash v2.5',40],['ElevenLabs v4',80]];
function calc(){var m=+rng.value,ch=m*600;mv.textContent=m.toLocaleString('en-US');var h='';
P.forEach(function(p){var c=ch/1e6*p[1];h+='<span class="'+(p[2]?'me':'')+'">'+p[0]+'</span><span class="'+(p[2]?'me':'')+'">$'+c.toLocaleString('en-US',{maximumFractionDigits:0})+'/мес.</span>'});
co.innerHTML=h+'<span style="color:#a5a4a2">Знаци месечно</span><span style="color:#a5a4a2">'+(ch/1e6).toLocaleString('en-US',{maximumFractionDigits:1})+'M</span>';}
rng.addEventListener('input',calc);calc();
R.querySelectorAll('#aai-cards .card').forEach(function(c){c.addEventListener('click',function(){c.classList.toggle('open');setTimeout(resize,40)})});
draw('ent');show(0);
window.addEventListener('load',resize);window.addEventListener('resize',resize);setTimeout(resize,300);
})();
</script>
</body></html>">
Как AssemblyAI-TTS-1 се сравнява с ElevenLabs, Cartesia и Inworld?
Диапазонът на Cartesia разделя цената на всеки план на неговите кредити при съотношение 1 кредит на знак.
Колко струва AssemblyAI-TTS-1?
Цената се изчислява на входен знак, включително интервали и пунктуация, и е 15 долара за 1 млн. Всеки глас, клонирането, времевите маркери на думите и обработката в ЕС са на същата цена. Няма такси за отделни гласове, такси за паралелност или минимални количества. AssemblyAI го нарича най-евтиния водещ TTS модел за гласови агенти. Въпреки това Inworld TTS-2 Flash също посочва цена от 15 долара за 1 млн. при заявка, която пада до 7 долара при платените планове. По-съществената разлика е паралелността: планът на Inworld при заявка позволява 5 едновременни заявки.
Основни изводи
AssemblyAI-TTS-1 е първият модел на AssemblyAI за преобразуване на текст в реч, създаден за гласови агенти в реално време.
Цената му е 15 долара за 1 млн. знака, с неограничена паралелност и без договор.
Според данните на компанията: 93,7% точност при разпознаване на обекти и 47 ms медианно време до първия байт.
Cekura е измерила 159 ms латентност при стрийминг и 81,5% точност при четене.
Липсват при старта: SSML, контрол на скоростта, речници за произношение и тагове за емоции.
Имате нужда от партньор за популяризиране на вашето GitHub хранилище, страница в Hugging Face, продуктово представяне, уебинар и т.н.? Свържете се с нас
Преведено автоматично от английски. Оригиналната статия е на връзката по-долу.
