AssemblyAI wprowadza swój pierwszy model zamiany tekstu na mowę — AssemblyAI-TTS-1

AssemblyAI wprowadziło AssemblyAI-TTS-1, swój pierwszy model zamiany tekstu na mowę, stworzony z myślą o agentach głosowych. Firma podaje, że model strumieniuje dźwięk z opóźnieniem 90 ms i kosztuje 15 USD za milion znaków. AssemblyAI określa go jako najlepszy model TTS, który można uruchomić na dużą skalę, biorąc pod uwagę jednocześnie dokładność, naturalność i koszt. OpenRouter informuje, że model jest już dostępny na tej platformie, gdzie obsługuje ponad 4000 głosów z USA lub UE.

Poniższe wyniki pochodzą z własnych pomiarów Artificial Analysis, a nie AssemblyAI.

• Provider Voice Arena: Elo 1 227 na podstawie 1 626 wystąpień, 12. miejsce — tuż za Breeze TTS 2 (1 228) i przed Voxtral 3 TTS firmy Mistral (1 221).
• Controlled Voice Arena (te same sklonowane głosy): 1 110, 10. miejsce, za Sonic 3.5 firmy Cartesia (1 118); 6. miejsce w kategorii Knowledge Sharing.
• Pronunciation Robustness: 81,7% w 2 115 ocenionych klipach, 16. miejsce.
• Szybkość: 162 znaki na sekundę — więcej niż w przypadku Sonic 3.6 firmy Cartesia (148,6) i Voxtral 3 TTS (112,3).
• Cena: 15 USD za milion znaków. Spośród jedenastu modeli wyżej w rankingu Provider Voice tylko dwa kosztują mniej (Gemini 3.8 Flash-Lite TTS — 11 USD i Simba 3.2 — 6,6 USD); Eleven v4 kosztuje 80 USD, a Sonic 3.6 — 49 USD.