AssemblyAI выпускает свою первую модель преобразования текста в речь — AssemblyAI-TTS-1

AssemblyAI выпустила AssemblyAI-TTS-1 — свою первую модель преобразования текста в речь, созданную для голосовых агентов. По словам AssemblyAI, модель передаёт речь в потоковом режиме за 90 мс по цене $15 за миллион символов. Компания называет её лучшей TTS-моделью для масштабного использования по совокупности точности, естественности и стоимости. OpenRouter сообщает, что модель уже доступна на платформе: более 4 000 голосов, обслуживаемых из США или ЕС.

Цифры ниже — собственные измерения Artificial Analysis, а не AssemblyAI.

• Provider Voice Arena: Elo 1 227 по итогам 1 626 оценок, 12-е место — сразу за Breeze TTS 2 (1 228) и впереди Voxtral 3 TTS от Mistral (1 221).
• Controlled Voice Arena (одни и те же клонированные голоса): 1 110, 10-е место, ниже Sonic 3.5 от Cartesia (1 118); 6-е место в категории Knowledge Sharing.
• Pronunciation Robustness: 81,7% по 2 115 оценённым аудиофрагментам, 16-е место.
• Скорость: 162 символа в секунду — быстрее, чем Sonic 3.6 от Cartesia (148,6) и Voxtral 3 TTS (112,3).
• Цена: $15 за миллион символов. Среди одиннадцати моделей, стоящих выше неё в Provider Voice, дешевле только две: Gemini 3.8 Flash-Lite TTS за $11 и Simba 3.2 за $6,6. Eleven v4 стоит $80, а Sonic 3.6 — $49.