AssemblyAI lancia il suo primo modello di sintesi vocale, AssemblyAI-TTS-1

AssemblyAI ha lanciato AssemblyAI-TTS-1, il suo primo modello di sintesi vocale, progettato per agenti vocali. AssemblyAI afferma che il modello trasmette l'audio in streaming in 90 ms al costo di 15 $ per milione di caratteri e lo definisce il miglior modello TTS eseguibile su larga scala considerando insieme precisione, naturalezza e costo. OpenRouter afferma che il modello è disponibile sulla piattaforma, con oltre 4.000 voci servite dagli Stati Uniti o dall'UE.

I dati riportati di seguito sono misurazioni realizzate da Artificial Analysis, non da AssemblyAI.

• Provider Voice Arena: Elo 1.227 su 1.626 valutazioni, al 12° posto, subito dietro a Breeze TTS 2 (1.228) e davanti a Voxtral 3 TTS di Mistral (1.221).
• Controlled Voice Arena (stesse voci clonate): 1.110, al 10° posto, dietro a Sonic 3.5 di Cartesia (1.118); 6° posto in Knowledge Sharing.
• Robustezza della pronuncia: 81,7% su 2.115 clip valutate, al 16° posto.
• Velocità: 162 caratteri al secondo, più veloce di Sonic 3.6 di Cartesia (148,6) e Voxtral 3 TTS (112,3).
• Prezzo: 15 $ per milione di caratteri. Tra gli undici modelli che lo precedono in Provider Voice, solo due costano meno (Gemini 3.8 Flash-Lite TTS a 11 $ e Simba 3.2 a 6,6 $); Eleven v4 costa 80 $ e Sonic 3.6 49 $.