AssemblyAI выпускает AssemblyAI-TTS-1: API преобразования текста в речь для голосовых агентов за $15 за 1 млн символов
MarkTechPost·7 мин чтения
AssemblyAI выпустила AssemblyAI-TTS-1 — свою первую модель преобразования текста в речь, которая теперь доступна всем пользователям. API преобразования текста в речь AssemblyAI-TTS-1 предназначен для голосовых агентов, работающих во время телефонных разговоров в реальном времени. В таких условиях от задержки и произношения зависит, останется ли звонящий на линии. Стоимость составляет $15 за 1 млн символов, без годового контракта и необходимости покупать тариф с определённым уровнем параллелизма. Для разработчиков, уже использующих преобразование речи в текст от AssemblyAI, это замыкает голосовой цикл у одного поставщика.
Кратко
Размер: Это модель в виде размещаемого API.
Работает: Только в облаке AssemblyAI — в США (us-east-1) или ЕС (eu-north-1). Открытых весов или локального варианта нет. Подойдёт любой клиент с поддержкой HTTP или WebSocket.
Производительность: В тестах AssemblyAI сопоставима с ElevenLabs v4 по точности распознавания сущностей, но стоит менее пятой части его цены.
Лучший результат: Медианное время до первого байта — 47 мс среди 6 моделей в API-тесте AssemblyAI (по данным самой компании).
Худший результат: Медианная задержка потоковой передачи — 159 мс в независимом тесте Cekura, 8-е место среди 19 измеренных моделей.
Итог:
Плюс: $15 за 1 млн символов при неограниченном параллелизме.
Минус: пока нет SSML, управления скоростью, словарей произношения и тегов эмоций.
Что такое AssemblyAI-TTS-1?
AssemblyAI-TTS-1 — потоковая модель преобразования текста в речь от AssemblyAI, которая превращает ответы агента в речь во время звонков в реальном времени. Она была обучена на миллионах часов аудио, включая реальные разговорные данные. Большинство моделей TTS представляют аудио в виде дискретных токенов. AssemblyAI утверждает, что TTS-1 вместо этого работает с непрерывными аудиопредставлениями. По заявлению AssemblyAI, это повышает реалистичность и сокращает время до первого произнесённого звука.
В рамках запуска также доступны библиотека из более чем 4 000 голосов и мгновенное клонирование голоса. Для клонирования требуется короткая запись и подтверждение разрешения от говорящего. В примере из публикации о запуске использовалась аудиозапись длительностью 24 секунды. На момент запуска поддерживаются шесть языков: английский, испанский, французский, немецкий, итальянский и португальский.
Как разработчики интегрируют AssemblyAI-TTS-1?
Доступны 3 интерфейса: HTTP API, WebSocket API и совместимый с OpenAI маршрут. Сессия WebSocket поддерживает одно соединение на разговор и принимает сообщение отмены для перебивания речи собеседником. Выходной сигнал — моно PCM, mu-law или A-law с частотой от 8 до 48 кГц. Нативный формат — PCM 24 кГц; телефония может напрямую запрашивать mu-law 8 кГц. Временные метки слов включены. AssemblyAI также опубликовала эталонных агентов для LiveKit и Pipecat.
Как AssemblyAI-TTS-1 показывает себя в тестах?
AssemblyAI протестировала TTS-1 в сравнении с 5 моделями на 4 англоязычных наборах, используя 50 сопоставимых клонированных голосов. Все приведённые ниже показатели являются данными самой компании, полученными в рамках оценки от 28 октября 2026 года.
Точность распознавания сущностей (580 сложных элементов, таких как номера телефонов и коды): 93,7% против 93,6% у ElevenLabs v4, 82,5% у Cartesia Sonic 3.6 и 68,0% у ElevenLabs Flash v2.5.
Точность слов: 99,0% на предложениях из Seed-TTS и LibriSpeech.
Прогнозируемый MOS: 3,85 — ниже, чем 3,88 у Inworld TTS-2 Flash, и выше, чем 3,82 у Sonic 3.6.
Медианное время до первого байта: 47 мс. Flash v2.5 потребовалось 119 мс, Sonic 3.6 — 143 мс, Inworld TTS-2 Flash — 244 мс.
Независимые результаты более неоднозначны. В тесте Cekura 27 моделей TTS-1 набрала 81,5% по точности чтения и 4,50 по естественности. Её медианная задержка потоковой передачи, измеренная от отправки последнего слова, составила 159 мс. Inworld TTS-2 Flash показала там 45 мс и точность 93,2% при той же цене в $15. AssemblyAI также ссылается на коэффициент ошибок слов 1,7% в рейтинге Coval. Компания сообщает о дебюте в первой десятке на площадке Artificial Analysis для голосов в контролируемых условиях.
Воспроизвести</button>
<button class="btn ghost" id="aai-prev">‹ Назад</button>
<button class="btn ghost" id="aai-next">Далее ›</button>
</div>
</div>
<div class="pane" data-p="bench">
<div class="pills" id="aai-pills">
<button class="pill on" data-m="ent">Точность сущностей</button>
<button class="pill" data-m="ttfb">Медианное TTFB (тест AssemblyAI)</button>
<button class="pill" data-m="cstream">Задержка потоковой передачи (Cekura)</button>
<button class="pill" data-m="cacc">Точность чтения (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">Минуты речи в месяц: <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">Предполагается 600 символов на минуту телефонной речи — показатель, который AssemblyAI приводит как типичный. Цены за 1 млн символов: AssemblyAI-TTS-1 — $15, Inworld TTS-2 Flash — $15 по запросу, ElevenLabs Flash v2.5 — $40, ElevenLabs v4 — $80. Ограничения параллелизма в расчёт не включены.</p>
</div>
</div>
<div class="pane" data-p="limits">
<div class="grid" id="aai-cards">
<div class="card"><h4>Нет SSML и управления скоростью <span class="tag">НЕДОСТАТОК ЗАПУСКА</span></h4><p>WebSocket API не имеет параметров скорости, высоты тона, эмоций или стиля, а ни один из API не принимает SSML. Пунктуация и написанные заполнители вроде "э-э" по-прежнему влияют на подачу.</p></div>
<div class="card"><h4>Нет словарей произношения <span class="tag">СКОРО</span></h4><p>Пользовательские словари произношения и теги эмоций анонсированы, но пока не выпущены. Cartesia Sonic 3.6 уже поддерживает пользовательское произношение.</p></div>
<div class="card"><h4>6 языков <span class="tag">ОХВАТ</span></h4><p>Английский, испанский, французский, немецкий, итальянский и португальский. ElevenLabs Flash v2.5 заявляет 32 языка, а Cartesia Sonic 3.6 — 44.</p></div>
<div class="card"><h4>Задержка зависит от метода <span class="tag">ПРОВЕРЬТЕ</span></h4><p>Около 90 мс заявлено, 47 мс — медиана в собственном тесте AssemblyAI, 159 мс — медианная задержка потоковой передачи в Cekura (измеренная от отправки последнего слова).</p></div>
<div class="card"><h4>Только мгновенное клонирование <span class="tag">НЕДОСТАТОК ЗАПУСКА</span></h4><p>Профессиональное клонирование голоса с тонкой настройкой пока недоступно. Для мгновенного клонирования нужны короткая запись и разрешение говорящего.</p></div>
<div class="card"><h4>Только облако <span class="tag">РАЗВЁРТЫВАНИЕ</span></h4><p>Серверы в США (us-east-1) и ЕС (eu-north-1) по одинаковой цене. Локальный вариант не анонсирован.</p></div>
</div>
<p class="note">Нажмите на карточку, чтобы развернуть её.</p>
</div>
<div class="ft"><span>Источники: публикация AssemblyAI о запуске, документация и цены; тест TTS от Cekura; страницы с ценами поставщиков. Проверено 29 октября 2026 года.</span><span class="mtp">Создано 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=['LLM вашего агента формирует ответ. Текст можно отправлять слово за словом по мере его генерации.',
'Одна сессия WebSocket на разговор. Голос, язык, частота дискретизации и кодирование фиксируются во время подключения.',
'TTS-1 моделирует речь с помощью непрерывных аудиопредставлений, а не дискретных токенов. AssemblyAI утверждает, что это повышает реалистичность и скорость.',
'Аудио передаётся обратно как необработанный моно PCM, mu-law или A-law. Нативный формат — PCM 24 кГц; mu-law 8 кГц подходит для телефонных линий.',
'Если звонящий перебивает, сообщение отмены останавливает речь. Временные метки слов показывают, что именно было сказано.'];
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=' Воспроизвести'}}
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:'Набор произношения AssemblyAI: 580 сложных элементов (номера телефонов, даты, URL, коды). Данные самой компании, оценка от 28 октября 2026 года.',
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:' мс',max:650,hi:false,note:'Медианное время до первого байта для каждого API от одного клиента, по одному запросу за раз. Данные самой AssemblyAI. Чем меньше, тем лучше.',
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:' мс',max:600,hi:false,note:'Cekura: медианное время от отправки последнего слова до первого слышимого звука, восток США, 104 предложения × 3 прочтения. Независимый тест. Чем меньше, тем лучше.',
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: правильно прочитанные сложные фрагменты, оценённые системами преобразования речи в текст (оценка, а не оценка людьми). Независимый тест.',
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 (по запросу)',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">Символов в месяц</span><span style="color:#a5a4a2">'+(ch/1e6).toLocaleString('en-US',{maximumFractionDigits:1})+' млн</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 сравнивается с ElevenLabs, Cartesia и Inworld?
Диапазон цен Cartesia рассчитан путём деления стоимости каждого тарифа на количество кредитов при расчёте 1 кредита за символ.
Сколько стоит AssemblyAI-TTS-1?
Оплата взимается за каждый входной символ, включая пробелы и пунктуацию, по тарифу $15 за 1 млн. Все голоса, клонирование, временные метки слов и обработка в ЕС предоставляются по той же ставке. Плата за отдельные голоса, параллелизм или минимальный объём отсутствует. AssemblyAI называет модель TTS-1 самой доступной передовой моделью TTS для голосовых агентов. Однако Inworld TTS-2 Flash также стоит $15 за 1 млн символов по запросу, а на платных тарифах цена снижается до $7. Более существенное различие связано с параллелизмом: тариф Inworld по запросу допускает 5 одновременных запросов.
Основные выводы
AssemblyAI-TTS-1 — первая модель преобразования текста в речь от AssemblyAI, созданная для голосовых агентов в реальном времени.
Стоимость составляет $15 за 1 млн символов, при неограниченном параллелизме и без контракта.
По данным самой компании: точность сущностей — 93,7%, медианное время до первого байта — 47 мс.
Cekura измерила задержку потоковой передачи 159 мс и точность чтения 81,5%.
Отсутствует на момент запуска: SSML, управление скоростью, словари произношения и теги эмоций.
