AssemblyAI bringt sein erstes Text-to-Speech-Modell auf den Markt: AssemblyAI-TTS-1

AssemblyAI hat AssemblyAI-TTS-1 eingeführt, sein erstes Text-to-Speech-Modell, das für Sprachagenten entwickelt wurde. AssemblyAI zufolge streamt es mit einer Latenz von 90 ms und kostet 15 $ pro einer Million Zeichen. Das Unternehmen bezeichnet es als das beste TTS-Modell, das sich in großem Maßstab einsetzen lässt und Genauigkeit, Natürlichkeit und Kosten vereint. OpenRouter zufolge ist das Modell dort verfügbar; über 4.000 Stimmen werden aus den USA oder der EU bereitgestellt.

Die folgenden Zahlen sind eigene Messungen von Artificial Analysis und stammen nicht von AssemblyAI.

• Provider Voice Arena: Elo-Wert von 1.227 bei 1.626 Auftritten, Platz 12, knapp hinter Breeze TTS 2 (1.228) und vor Mistrals Voxtral 3 TTS (1.221).
• Controlled Voice Arena (dieselben geklonten Stimmen): 1.110, Platz 10, hinter Cartesias Sonic 3.5 (1.118); Platz 6 bei Knowledge Sharing.
• Pronunciation Robustness: 81,7 % bei 2.115 bewerteten Clips, Platz 16.
• Geschwindigkeit: 162 Zeichen pro Sekunde, schneller als Cartesias Sonic 3.6 (148,6) und Voxtral 3 TTS (112,3).
• Preis: 15 $ pro einer Million Zeichen. Von den elf Modellen, die bei Provider Voice höher rangieren, kosten nur zwei weniger (Gemini 3.8 Flash-Lite TTS mit 11 $ und Simba 3.2 mit 6,6 $); Eleven v4 kostet 80 $ und Sonic 3.6 49 $.