AssemblyAI випустила AssemblyAI-TTS-1: API перетворення тексту на мовлення для голосових агентів за $15 за 1 млн символів
MarkTechPost·7 хв читання
AssemblyAI випустила AssemblyAI-TTS-1, свою першу модель перетворення тексту на мовлення, яка тепер доступна для загального використання. API перетворення тексту на мовлення AssemblyAI-TTS-1 призначений для голосових агентів, що працюють під час телефонних дзвінків у реальному часі. У таких умовах затримка та вимова визначають, чи залишиться абонент на лінії. Вартість становить $15 за 1 млн символів, без річного контракту та без необхідності купувати тарифний рівень паралельності. Для розробників, які вже використовують перетворення мовлення на текст від AssemblyAI, це замикає голосовий цикл в одного постачальника.
Коротко
Розмір: Це модель API, що працює на хостингу.
Працює на: Лише в хмарі AssemblyAI, у США (us-east-1) або ЄС (eu-north-1). Відкритих вагових коефіцієнтів або локального варіанта немає. Підійде будь-який клієнт із підтримкою HTTP або WebSocket.
Продуктивність: У тестах AssemblyAI зрівнялася з ElevenLabs v4 за точністю розпізнавання сутностей, коштуючи менш ніж п’яту частину його ціни.
Найкраще: Медіанний час до першого байта — 47 мс у тесті API AssemblyAI серед 6 моделей (за власними даними).
Найгірше: Медіанна затримка потокової передачі — 159 мс у незалежному тестуванні Cekura, 8-ме місце серед 19 моделей із вимірюванням часу.
Підсумок:
Найкраще: $15 за 1 млн символів із необмеженою паралельністю.
Найгірше: поки що немає SSML, керування швидкістю, словників вимови або тегів емоцій.
Що таке AssemblyAI-TTS-1?
AssemblyAI-TTS-1 — це потокова модель перетворення тексту на мовлення від AssemblyAI, яка перетворює відповіді агентів на мовлення під час дзвінків у реальному часі. Вона була навчена на мільйонах годин аудіо, зокрема на реальних розмовних даних. Більшість моделей TTS представляють аудіо у вигляді дискретних токенів. За словами AssemblyAI, TTS-1 натомість працює з безперервними представленнями аудіо. AssemblyAI стверджує, що це підвищує реалістичність і скорочує час до першого відтвореного фрагмента мовлення.
Запуск включає бібліотеку з понад 4000 голосів і миттєве клонування голосу. Для клонування потрібен короткий запис і підтвердження дозволу мовця. У прикладі з публікації про запуск використано 24 секунди аудіо. На момент запуску підтримуються шість мов: англійська, іспанська, французька, німецька, італійська та португальська.
Як розробники інтегрують AssemblyAI-TTS-1?
Є 3 інтерфейси: HTTP API, WebSocket API і маршрут, сумісний з OpenAI. Сеанс WebSocket підтримує одне з’єднання для кожної розмови та приймає повідомлення скасування для переривання мовлення. Вихідні дані — моно PCM, mu-law або A-law із частотою від 8 кГц до 48 кГц. Нативний формат — PCM 24 кГц; телефонні стеки можуть безпосередньо запитувати mu-law 8 кГц. Додаються часові мітки слів. AssemblyAI також опублікувала еталонних агентів для LiveKit і Pipecat.
Як AssemblyAI-TTS-1 показує себе в бенчмарках?
AssemblyAI протестувала TTS-1 проти 5 моделей на 4 англомовних наборах, використавши 50 однакових клонованих голосів. Усі наведені нижче показники є даними самої компанії, отриманими під час оцінювання від 28 жовтня 2026 року.
Точність сутностей (580 складних цілей, як-от номери телефонів і коди): 93,7% проти 93,6% у ElevenLabs v4, 82,5% у Cartesia Sonic 3.6 і 68,0% у ElevenLabs Flash v2.5.
Точність слів: 99,0% на реченнях Seed-TTS і LibriSpeech.
Прогнозований MOS: 3,85 — нижче, ніж 3,88 у Inworld TTS-2 Flash, і вище, ніж 3,82 у Sonic 3.6.
Медіанний час до першого байта: 47 мс. Flash v2.5 потребувала 119 мс, Sonic 3.6 — 143 мс, Inworld TTS-2 Flash — 244 мс.
Інше: показник просодії TTSDS — 85,5, а подібність мовця для клонованого аудіо — 0,64.
Незалежні результати більш неоднозначні. У бенчмарку Cekura для 27 моделей TTS-1 отримала 81,5% точності читання та 4,50 за природністю. Її медіанна затримка потокової передачі, виміряна від моменту надсилання останнього слова, становила 159 мс. Inworld TTS-2 Flash показала там 45 мс і точність 93,2% за тією самою ціною в $15. AssemblyAI також посилається на показник помилок у словах 1,7% у рейтингу Coval. Компанія повідомляє про дебют у топ-10 на контрольованій арені голосів Artificial Analysis.
Відтворити</button>
<button class="btn ghost" id="aai-prev">‹ Назад</button>
<button class="btn ghost" id="aai-next">Далі ›</button>
</div>
</div>
<div class="pane" data-p="bench">
<div class="pills" id="aai-pills">
<button class="pill on" data-m="ent">Точність сутностей</button>
<button class="pill" data-m="ttfb">Медіанний TTFB (тест AssemblyAI)</button>
<button class="pill" data-m="cstream">Затримка потокової передачі (Cekura)</button>
<button class="pill" data-m="cacc">Точність читання (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">Хвилини мовлення на місяць: <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">Передбачається 600 символів на хвилину телефонного мовлення — показник, який AssemblyAI називає типовим. Ціни за 1 млн символів: AssemblyAI-TTS-1 — $15, Inworld TTS-2 Flash — $15 за запитом, ElevenLabs Flash v2.5 — $40, ElevenLabs v4 — $80. Обмеження паралельності не враховані у вартості.</p>
</div>
</div>
<div class="pane" data-p="limits">
<div class="grid" id="aai-cards">
<div class="card"><h4>Немає SSML або керування швидкістю <span class="tag">ПРОБІЛ ПІСЛЯ ЗАПУСКУ</span></h4><p>WebSocket API не має параметрів швидкості, висоти тону, емоцій або стилю, і жоден API не приймає SSML. Пунктуація та написані заповнювачі на кшталт "гм" усе ще впливають на подачу.</p></div>
<div class="card"><h4>Немає словників вимови <span class="tag">НЕЗАБАРОМ</span></h4><p>Власні словники вимови та теги емоцій анонсовані, але ще не доступні. Cartesia Sonic 3.6 уже пропонує власні варіанти вимови.</p></div>
<div class="card"><h4>6 мов <span class="tag">ОХОПЛЕННЯ</span></h4><p>Англійська, іспанська, французька, німецька, італійська та португальська. ElevenLabs Flash v2.5 заявляє 32 мови, а Cartesia Sonic 3.6 — 44.</p></div>
<div class="card"><h4>Затримка залежить від методу <span class="tag">ПЕРЕВІРТЕ</span></h4><p>Близько 90 мс заявлено, 47 мс медіанно у власному тесті AssemblyAI, 159 мс медіанної потокової затримки на Cekura (виміряно від моменту надсилання останнього слова).</p></div>
<div class="card"><h4>Лише миттєве клонування <span class="tag">ПРОБІЛ ПІСЛЯ ЗАПУСКУ</span></h4><p>Професійне (точно налаштоване) клонування голосу поки що недоступне. Для миттєвих клонів потрібен короткий запис і дозвіл мовця.</p></div>
<div class="card"><h4>Лише хмара <span class="tag">РОЗГОРТАННЯ</span></h4><p>Хости у США (us-east-1) та ЄС (eu-north-1) за однаковою ціною. Локальний варіант не анонсовано.</p></div>
</div>
<p class="note">Торкніться картки, щоб розгорнути її.</p>
</div>
<div class="ft"><span>Джерела: публікація AssemblyAI про запуск, документація та ціни; бенчмарк Cekura TTS; сторінки цін постачальників. Перевірено 29 жовтня 2026 року.</span><span class="mtp">Створено 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=['Ваша LLM агента пише відповідь. Текст можна надсилати слово за словом у міру його генерування.',
'Одне з’єднання WebSocket для кожної розмови. Голос, мова, частота дискретизації та кодування фіксуються під час підключення.',
'TTS-1 моделює мовлення на основі безперервних представлень аудіо, а не дискретних токенів. AssemblyAI стверджує, що це підвищує реалістичність і швидкість.',
'Аудіо повертається потоком у форматі необробленого моно PCM, mu-law або A-law. Нативним є PCM 24 кГц; mu-law 8 кГц підходить для телефонних ліній.',
'Якщо абонент перебиває, повідомлення скасування зупиняє мовлення. Часові мітки слів показують, що саме було 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='<img src="https://s.w.org/images/core/emoji/17.0.2/72x72/25b6.png" alt="▶"> Відтворити'}}
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:'Набір вимови AssemblyAI: 580 складних цілей (номери телефонів, дати, URL-адреси, коди). Дані самої компанії, оцінювання від 28 жовтня 2026 року.',
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:'Медіанний час до першого байта через кожен API від одного клієнта, по одному запиту за раз. Дані самої AssemblyAI. Менше — краще.',
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: медіана від надсилання останнього слова до першого чутного звуку, схід США, 104 речення × 3 прочитування. Незалежне вимірювання. Менше — краще.',
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: складні фрагменти, прочитані правильно, оцінені транскрибаторами мовлення в текст (це оцінка, а не оцінювання людьми). Незалежне вимірювання.',
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 (за запитом)',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})+'/міс.</span>'});
co.innerHTML=h+'<span style="color:#a5a4a2">Символів на місяць</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>">
Як AssemblyAI-TTS-1 порівнюється з ElevenLabs, Cartesia та Inworld?
Діапазон Cartesia обчислено шляхом ділення ціни кожного плану на кількість кредитів, із розрахунку 1 кредит на символ.
Скільки коштує AssemblyAI-TTS-1?
Оплата здійснюється за кожен вхідний символ, включно з пробілами та пунктуацією, за тарифом $15 за 1 млн. Усі голоси, клонування, часові мітки слів і обробка в ЄС входять у цю саму ставку. Плати за голос, паралельність або мінімального обсягу немає. AssemblyAI називає це найдешевшою передовою моделлю TTS для голосових агентів. Однак Inworld TTS-2 Flash також вказує $15 за 1 млн за запитом, а на платних планах ціна знижується до $7. Головна відмінність — паралельність: тариф Inworld за запитом дозволяє 5 одночасних запитів.
Ключові висновки
AssemblyAI-TTS-1 — перша модель перетворення тексту на мовлення від AssemblyAI, створена для голосових агентів у реальному часі.
Вона коштує $15 за 1 млн символів, має необмежену паралельність і не потребує контракту.
За власними даними: точність сутностей 93,7% і медіанний час до першого байта 47 мс.
Cekura виміряла затримку потокової передачі 159 мс і точність читання 81,5%.
Відсутні на момент запуску: SSML, керування швидкістю, словники вимови та теги емоцій.
