AssemblyAI lança seu primeiro modelo de conversão de texto em fala, AssemblyAI-TTS-1

A AssemblyAI lançou o AssemblyAI-TTS-1, seu primeiro modelo de conversão de texto em fala, criado para agentes de voz. A AssemblyAI afirma que ele transmite áudio em 90 ms por US$ 15 por milhão de caracteres e o considera o melhor modelo de TTS que você pode executar em escala quando se leva em conta, em conjunto, precisão, naturalidade e custo. A OpenRouter informa que o modelo já está disponível na plataforma, com mais de 4.000 vozes hospedadas nos EUA ou na UE.

Os dados abaixo são medições próprias da Artificial Analysis, não da AssemblyAI.

• Provider Voice Arena: Elo de 1.227 em 1.626 avaliações, na 12ª posição, logo atrás do Breeze TTS 2 (1.228) e à frente do Voxtral 3 TTS da Mistral (1.221).
• Controlled Voice Arena (mesmas vozes clonadas): 1.110, na 10ª posição, atrás do Sonic 3.5 da Cartesia (1.118); 6º lugar em Knowledge Sharing.
• Pronunciation Robustness: 81,7% em 2.115 clipes avaliados, na 16ª posição.
• Velocidade: 162 caracteres por segundo, mais rápido que o Sonic 3.6 da Cartesia (148,6) e o Voxtral 3 TTS (112,3).
• Preço: US$ 15 por milhão de caracteres. Entre os onze modelos à sua frente no Provider Voice, apenas dois custam menos (Gemini 3.8 Flash-Lite TTS, a US$ 11, e Simba 3.2, a US$ 6,6); o Eleven v4 custa US$ 80 e o Sonic 3.6, US$ 49.