AssemblyAI 发布 AssemblyAI-TTS-1：面向语音 agent、每 100 万字符 15 美元的文本转语音 API

AssemblyAI 发布了面向语音 agent 的首个文本转语音模型 AssemblyAI-TTS-1。价格为每 100 万字符 15 美元，无需合同即提供无限并发，发布时支持 6 种语言。

AssemblyAI 发布了其首个文本转语音模型 AssemblyAI-TTS-1，现已正式全面可用。该文本转语音 API 面向运行在实时电话通话中的语音 agent——在这种场景里，延迟与发音决定来电者是否留在电话上。定价为每 100 万字符 15 美元，无年度合同，也无并发档位可买。对已在用 AssemblyAI 语音转文本的开发者而言，它把语音闭环收进了同一家供应商。

AssemblyAI-TTS-1 是 AssemblyAI 的流式文本转语音模型，将 agent 的回复转成实时通话语音。它训练自数百万小时音频，其中包含真实对话数据。多数 TTS 模型把音频表示成离散 token，AssemblyAI 则称 TTS-1 改为在连续音频表示上运行，并声称这提升了真实感、缩短了首段语音的出声时间。

发布内容包含 4000+ 声音库与即时语音克隆。克隆需要一段短录音以及说话者本人许可的确认；发布帖中的克隆仅用了 24 秒音频。发布时支持 6 种语言：英语、西班牙语、法语、德语、意大利语与葡萄牙语。

共有 3 种接口：HTTP API、WebSocket API 和 OpenAI 兼容路由。WebSocket 会话为每个对话保持一条连接，并接受用于 barge-in（插话打断）的 cancel 消息。输出为单声道 PCM、mu-law 或 A-law，采样率 8 kHz 至 48 kHz；24 kHz PCM 为原生格式，电话系统可直接请求 8 kHz mu-law。输出附带词级时间戳。AssemblyAI 还发布了 LiveKit 与 Pipecat 参考 agent。

AssemblyAI 用 50 个匹配的克隆声音，在 4 个英文测试集上将 TTS-1 与 5 个模型对比。以下数字均为官方自报，来自 2026 年 10 月 28 日的评测。

第三方结果则更为参差。在 Cekura 覆盖 27 个模型的基准上，TTS-1 朗读准确率 81.5%、自然度 4.50；其流式中位延迟（从最后一个词发出起计时）为 159 ms。同价位（同为每 100 万字符 15 美元）的 Inworld TTS-2 Flash 在该基准上录得 45 ms 与 93.2% 准确率。AssemblyAI 还引用了 Coval 排行榜上 1.7% 的词错率，并报告在 Artificial Analysis 的 controlled-voice arena 首次入榜即进前 10。

Cartesia 的价格区间按各套餐价格除以其 credit 数得出，每字符计 1 credit。

定价按输入字符计费（含空格与标点），每 100 万字符 15 美元；所有声音、克隆、词级时间戳与 EU 处理均按同一费率，没有按声音收费、并发费或最低消费。AssemblyAI 称其为语音 agent 场景中定价最低的前沿 TTS 模型。不过，Inworld TTS-2 Flash 按需价同样为每 100 万字符 15 美元，付费套餐降至 7 美元；更明显的差异在并发：Inworld 按需档允许 5 个并发请求。