AssemblyAI、初のテキスト読み上げモデル「AssemblyAI-TTS-1」を発表

AssemblyAIは、音声エージェント向けに開発した初のテキスト読み上げモデル、AssemblyAI-TTS-1を発表しました。AssemblyAIによると、90 msでストリーミングし、100万文字あたり$15で提供されます。また、精度、自然さ、コストを総合すると、大規模運用できる最高のTTSモデルだとしています。OpenRouterによると、モデルは同サービスで利用可能で、米国またはEUから4,000以上の音声を提供しています。

以下の数値はAssemblyAIによるものではなく、Artificial Analysis独自の測定結果です。

• Provider Voice Arena: 1,626回の評価でElo 1,227、12位。Breeze TTS 2（1,228）のすぐ下、MistralのVoxtral 3 TTS（1,221）の上です。
• Controlled Voice Arena（同一のクローン音声を使用）：1,110で10位。CartesiaのSonic 3.5（1,118）に続く順位で、Knowledge Sharingでは6位です。
• 発音の堅牢性: 2,115件の評価済みクリップで81.7%、16位です。
• 速度: 1秒あたり162文字で、CartesiaのSonic 3.6（148.6）とVoxtral 3 TTS（112.3）を上回ります。
• 価格: 100万文字あたり$15。Provider Voiceで上位にランクされた11モデルのうち、これより安いのは2つだけです（Gemini 3.8 Flash-Lite TTSは$11、Simba 3.2は$6.6）。Eleven v4は$80、Sonic 3.6は$49です。