AssemblyAI ra mắt mô hình chuyển văn bản thành giọng nói đầu tiên, AssemblyAI-TTS-1

AssemblyAI đã ra mắt AssemblyAI-TTS-1, mô hình chuyển văn bản thành giọng nói đầu tiên của hãng, được xây dựng cho các tác nhân thoại. AssemblyAI cho biết mô hình truyền phát trong 90 ms với giá $15 cho mỗi triệu ký tự và gọi đây là mô hình TTS tốt nhất có thể vận hành ở quy mô lớn khi xét tổng thể độ chính xác, độ tự nhiên và chi phí. OpenRouter cho biết mô hình đã có mặt trên nền tảng, với hơn 4.000 giọng nói được cung cấp từ Mỹ hoặc EU.

Các số liệu dưới đây là kết quả đo lường riêng của Artificial Analysis, không phải của AssemblyAI.

• Provider Voice Arena: Elo 1.227 qua 1.626 lượt xuất hiện, xếp hạng #12, ngay sau Breeze TTS 2 (1.228) và trên Voxtral 3 TTS của Mistral (1.221).
• Controlled Voice Arena (cùng các giọng được nhân bản): 1.110, xếp hạng #10, sau Sonic 3.5 của Cartesia (1.118); xếp hạng #6 ở hạng mục Knowledge Sharing.
• Pronunciation Robustness: 81,7% trên 2.115 clip được đánh giá, xếp hạng #16.
• Tốc độ: 162 ký tự mỗi giây, nhanh hơn Sonic 3.6 của Cartesia (148,6) và Voxtral 3 TTS (112,3).
• Giá: $15 cho mỗi triệu ký tự. Trong số 11 mô hình được xếp hạng cao hơn trên Provider Voice, chỉ có hai mô hình rẻ hơn (Gemini 3.8 Flash-Lite TTS với giá $11 và Simba 3.2 với giá $6,6); Eleven v4 có giá $80 và Sonic 3.6 là $49.