AssemblyAI lanza su primer modelo de texto a voz, AssemblyAI-TTS-1

AssemblyAI lanzó AssemblyAI-TTS-1, su primer modelo de texto a voz, diseñado para agentes de voz. AssemblyAI afirma que transmite en 90 ms por $15 por millón de caracteres y lo considera el mejor modelo de TTS que se puede ejecutar a escala si se tienen en cuenta conjuntamente la precisión, la naturalidad y el coste. OpenRouter dice que el modelo ya está disponible allí, con más de 4.000 voces ofrecidas desde EE. UU. o la UE.

Las cifras siguientes son mediciones propias de Artificial Analysis, no de AssemblyAI.

• Provider Voice Arena: Elo de 1.227 en 1.626 apariciones, puesto n.º 12, justo por detrás de Breeze TTS 2 (1.228) y por delante de Voxtral 3 TTS de Mistral (1.221).
• Controlled Voice Arena (las mismas voces clonadas): 1.110, puesto n.º 10, por detrás de Sonic 3.5 de Cartesia (1.118); puesto n.º 6 en Knowledge Sharing.
• Pronunciation Robustness: 81,7 % en 2.115 clips evaluados, puesto n.º 16.
• Velocidad: 162 caracteres por segundo, más rápido que Sonic 3.6 de Cartesia (148,6) y Voxtral 3 TTS (112,3).
• Precio: $15 por millón de caracteres. De los once modelos que lo superan en Provider Voice, solo dos cuestan menos (Gemini 3.8 Flash-Lite TTS, a $11, y Simba 3.2, a $6,6); Eleven v4 cuesta $80 y Sonic 3.6, $49.