AssemblyAI запустила TTS-1: синтез речи для звонков по $15 за млн символов — в 5 раз дешевле ElevenLabs

AssemblyAI выпустила AssemblyAI-TTS-1 — свою первую модель синтеза речи, которая уже доступна через API. Она заточена под голосовых агентов в живых телефонных разговорах: низкая задержка и точное произношение критичны, чтобы caller не повесил трубку. Цена — $15 за 1 млн символов, без годового контракта и платных tiers по конкурентности. Для тех, кто уже использует speech-to-text от AssemblyAI, это замыкает голосовой цикл одним вендором.

По собственным тестам AssemblyAI, TTS-1 показывает точность распознавания сущностей (номера, коды) на уровне 93,7% — почти как у ElevenLabs v4 (93,6%), но стоит в 5 раз меньше. Медианное время до первого байта — 47 мс. Однако независимый бенчмарк Cekura даёт более скромные результаты: медианная задержка стриминга 159 мс (8-е место из 19), а Inworld TTS-2 Flash при той же цене выдаёт 45 мс и 93,2% точности. Пока нет поддержки SSML, управления скоростью, словарей произношения и эмоциональных тегов.

Модель обучена на миллионах часов аудио, включая реальные диалоги. Вместо дискретных токенов использует непрерывные аудиопредставления — это, по заявлению компании, улучшает реалистичность и снижает время до первого звука. Доступно более 4000 голосов и мгновенное клонирование голоса (достаточно 24 секунд записи с подтверждением разрешения). Поддерживаются шесть языков: английский, испанский, французский, немецкий, итальянский и португальский. Интеграция через HTTP, WebSocket или OpenAI-совместимый роутинг, есть референсные агенты для LiveKit и Pipecat.