AssemblyAI lance son premier modèle de synthèse vocale, AssemblyAI-TTS-1

AssemblyAI a lancé AssemblyAI-TTS-1, son premier modèle de synthèse vocale, conçu pour les agents vocaux. Selon AssemblyAI, il génère de l’audio en continu en 90 ms, au prix de 15 $ par million de caractères, et affirme qu’il s’agit du meilleur modèle TTS à grande échelle si l’on considère conjointement la précision, le naturel et le coût. OpenRouter indique que le modèle y est disponible, avec plus de 4 000 voix proposées depuis les États-Unis ou l’UE.

Les chiffres ci-dessous sont les mesures d’Artificial Analysis, et non celles d’AssemblyAI.

• Provider Voice Arena : Elo de 1 227 sur 1 626 évaluations, classé au 12e rang, juste derrière Breeze TTS 2 (1 228) et devant Voxtral 3 TTS de Mistral (1 221).
• Controlled Voice Arena (mêmes voix clonées) : 1 110, classé au 10e rang, derrière Sonic 3.5 de Cartesia (1 118) ; 6e en partage des connaissances.
• Robustesse de la prononciation : 81,7 % sur 2 115 extraits évalués, classé au 16e rang.
• Vitesse : 162 caractères par seconde, plus rapide que Sonic 3.6 de Cartesia (148,6) et Voxtral 3 TTS (112,3).
• Prix : 15 $ par million de caractères. Parmi les onze modèles classés devant lui dans Provider Voice, seuls deux coûtent moins cher (Gemini 3.8 Flash-Lite TTS à 11 $ et Simba 3.2 à 6,6 $) ; Eleven v4 coûte 80 $ et Sonic 3.6, 49 $.