AssemblyAI 推出首款文本转语音模型 AssemblyAI-TTS-1

AssemblyAI 推出了首款面向语音代理打造的文本转语音模型 AssemblyAI-TTS-1。AssemblyAI 表示，该模型可在 90 毫秒内开始流式输出，价格为每百万字符 15 美元；公司称，综合准确度、自然度和成本来看，这是最适合大规模运行的 TTS 模型。OpenRouter 表示，该模型已上线，提供 4,000 多种语音，服务部署在美国或欧盟。

以下数据来自 Artificial Analysis 自行测量，并非 AssemblyAI 提供。

• Provider Voice Arena：在 1,626 次评测中 Elo 得分为 1,227，排名第 12，略低于 Breeze TTS 2（1,228），高于 Mistral 的 Voxtral 3 TTS（1,221）。
• Controlled Voice Arena（使用相同的克隆语音）：得分为 1,110，排名第 10，低于 Cartesia 的 Sonic 3.5（1,118）；在 Knowledge Sharing 中排名第 6。
• Pronunciation Robustness：在 2,115 段评分音频中得分为 81.7%，排名第 16。
• 速度：每秒 162 个字符，快于 Cartesia 的 Sonic 3.6（148.6）和 Voxtral 3 TTS（112.3）。
• 价格：每百万字符 15 美元。在 Provider Voice 排名高于它的 11 款模型中，只有两款价格更低（Gemini 3.8 Flash-Lite TTS 为 11 美元，Simba 3.2 为 6.6 美元）；Eleven v4 为 80 美元，Sonic 3.6 为 49 美元。