AssemblyAI ने अपना पहला टेक्स्ट-टू-स्पीच मॉडल, AssemblyAI-TTS-1 लॉन्च किया

AssemblyAI ने AssemblyAI-TTS-1 लॉन्च किया, जो उसका पहला टेक्स्ट-टू-स्पीच मॉडल है और वॉइस एजेंट्स के लिए बनाया गया है। AssemblyAI का कहना है कि यह $15 प्रति दस लाख अक्षरों की दर से 90 ms में स्ट्रीम करता है और सटीकता, स्वाभाविकता तथा लागत—तीनों को साथ में देखते हुए इसे बड़े पैमाने पर चलाया जा सकने वाला सबसे अच्छा TTS मॉडल बताता है। OpenRouter का कहना है कि यह मॉडल वहाँ उपलब्ध है और इसमें अमेरिका या EU से 4,000+ आवाज़ें दी जाती हैं।

नीचे दिए गए आँकड़े Artificial Analysis के अपने माप हैं, AssemblyAI के नहीं।

• Provider Voice Arena: 1,626 प्रस्तुतियों में Elo 1,227, रैंक #12; Breeze TTS 2 (1,228) से ठीक पीछे और Mistral के Voxtral 3 TTS (1,221) से आगे।
• Controlled Voice Arena (एक जैसी क्लोन की गई आवाज़ें): 1,110, रैंक #10, Cartesia के Sonic 3.5 (1,118) से पीछे; Knowledge Sharing में #6।
• Pronunciation Robustness: 2,115 रेट किए गए क्लिप में 81.7%, रैंक #16।
• Speed: 162 अक्षर प्रति सेकंड, Cartesia के Sonic 3.6 (148.6) और Voxtral 3 TTS (112.3) से तेज़।
• कीमत: दस लाख अक्षरों के लिए $15। Provider Voice में इससे ऊपर रैंक किए गए ग्यारह मॉडलों में से केवल दो की कीमत कम है (Gemini 3.8 Flash-Lite TTS की $11 और Simba 3.2 की $6.6); Eleven v4 की कीमत $80 और Sonic 3.6 की $49 है।