AssemblyAI-TTS-1 zu 15 US-Dollar pro Million Zeichen: Die Preisuntergrenze für Voice-Agents hat sich gerade verschoben

AssemblyAI-TTS-1 wurde am 27. Oktober 2026 allgemein verfügbar – zu 15 US-Dollar pro Million Eingabezeichen – und die Zahl, auf die es ankommt, ist nicht die aus der Schlagzeile, sondern die, die man nach dem Teilen erhält. Bei einem normalen Sprechtempo von etwa 15 Zeichen pro Sekunde sind eine Million Zeichen ungefähr 18 Stunden fertiges Audio, was das Modell auf knapp 81 Cent pro Stunde Sprache bringt. Cartesia Sonic 3.6, der etablierte Spitzenreiter bei der Geschwindigkeit, verlangt 49 US-Dollar pro Million Zeichen, also etwa 2,70 US-Dollar pro Stunde. ElevenLabs v4 verlangt 80 US-Dollar, also etwa 4,40 US-Dollar pro Stunde. Dies ist AssemblyAIs erstes eigenständiges Text-to-Speech-Modell – das Unternehmen war bis diese Woche ein Anbieter von Speech-to-Text – und es ist in einen Markt eingetreten, in dem der Marktführer drei- bis fünfmal mehr für dieselbe Arbeitsleistung verlangt.

Die Behauptung bedarf gleich zu Beginn einer Einschränkung, denn hier liefern drei verschiedene Parteien drei verschiedene Arten von Zahlen. Der Preis stammt aus der eigenen veröffentlichten Preisliste von AssemblyAI und lässt sich auf deren Preisseite überprüfen. Der Latenzwert stammt aus einem Labortest, den AssemblyAI gegen fünf Konkurrenzanbieter durchgeführt hat – mit 30 Prompts, drei Durchläufen, vier Standardstimmen pro Modell und jeweils einer Anfrage zur Zeit. Die Platzierung in der Rangliste stammt von Artificial Analysis und wurde unabhängig gemessen. Wo dieser Artikel die eigenen Qualitätsevaluierungen von AssemblyAI anführt – Entitätsgenauigkeit, vorhergesagte MOS, Prosodie, Klonähnlichkeit –, sind diese vom Anbieter gemeldet, und niemand außerhalb von AssemblyAI hat sie reproduziert. Die einzige wirklich unabhängige Latenzmessung, die bislang verfügbar ist, weist in eine weniger schmeichelhafte Richtung als das Marketing, und es lohnt sich, das an den Anfang zu stellen.

Das Datenblatt auf einem einzigen Bildschirm

• Preis — 15 $ pro Million Eingabezeichen, Abrechnung auf Basis des Textes einschließlich Leerzeichen und Satzzeichen, alle Stimmen der Bibliothek und alle Sprachen inklusive, keine Gebühr pro Stimme oder für die gleichzeitige Nutzung

• Stimmen — mehr als 4.000 in der Bibliothek, plus sofortiges Klonen aus einer kurzen Referenzaufnahme (in der Demo wurden 24 Sekunden Audio verwendet)

• Sprachen — Englisch, Spanisch, Französisch, Deutsch, Italienisch und Portugiesisch zum Start, mehrere Akzente, kein Datum für die nächste Charge angegeben

• Latenz — 90 ms Zeit bis zum ersten Audio, für die Produktion angegeben und vom Unternehmen als konservativ bezeichnet; 47 ms mediane Zeit bis zum ersten Byte im eigenen Labovergleich

• Durchsatz — 162 Zeichen pro Sekunde bei Artificial Analysis, vor Cartesia Sonic 3.6 mit 148,6

• Schnittstellen — HTTP, WebSocket mit einer Abbruchnachricht für Barge-in und eine OpenAI-kompatible Route; LiveKit- und Pipecat-Referenzagenten werden damit ausgeliefert

• Ausgabe — PCM-, Mu-Law- und A-Law-Audio mit 8 bis 48 kHz, 24 kHz nativ, Zeitstempel auf Wortebene werden zusammen mit dem Audio zurückgegeben

• Datenresidenz und Limits — Verarbeitung in den USA oder in der EU zum gleichen Preis, unbegrenzte Parallelität bei Pay-as-you-go, kein Jahresvertrag und kein Tarifkauf

• Noch nicht — kein SSML, kein Geschwindigkeitsparameter, keine Aussprachewörterbücher, keine Emotions-Tags, kein fein abgestimmtes „Pro“-Klonen

Zwei dieser Zeilen leisten mehr kommerzielle Arbeit als die übrigen. Unbegrenzte Parallelität zum Listenpreis beseitigt die Verhandlung, die die meisten TTS-Anbieter vor hochvolumige Voice-Agenten setzen, bei denen die minutengenauen Parallelitätsstufen den Zeichenpreis überholen können. Und eine Abrechnung, die Leerzeichen und Satzzeichen mitzählt, ist ehrlich, aber nicht kostenlos: Ein Skript mit 1.000 Wörtern kommt auf rund 6.000 Zeichen, sobald Leerzeichen und Kommas hinzukommen, sodass der effektive Preis pro gesprochenem Wort höher liegt, als ein naiver Vergleich mit einer Pro-Wort-Preisgestaltung vermuten lässt. AssemblyAI verbirgt das nicht – die Preisseite sagt es unverblümt –, aber es ist die Art von Detail, die aus einer 3-fachen Differenz in der Schlagzeile auf einem echten Skript eine 2,7-fache macht.

Warum die Zahl 47 ms so viel Gewicht bekommt

Der Launch-Beitrag stellt die Geschwindigkeit in den Vordergrund, und der zugrunde liegende Test ist informativer als die meisten Anbietervergleiche, weil er seine Wettbewerber und seine Methode nennt. Median-Zeit bis zum ersten Byte, einzelner Client, sequenzielle Anfragen: AssemblyAI-TTS-1 bei 47 ms, ElevenLabs Flash v2.5 bei 119 ms, Cartesia Sonic 3.6 bei 143 ms, Inworld TTS-2 Flash bei 244 ms, Inworld TTS-2 bei 280 ms, ElevenLabs v4 bei 612 ms. Wenn man dieses Setup akzeptiert, ist AssemblyAI nicht nur schnell – es ist beim ersten Byte etwa dreimal so schnell wie Cartesia Sonic 3.6, das Modell, gegen das es preislich antritt, und zweieinhalbmal so schnell wie ElevenLabs Flash v2.5.

Was das Setup nicht sagen kann, ist, was unter Last passiert. Ein einzelner Client, der jeweils eine Anfrage auf einmal stellt, misst das Modell, nicht den Dienst: kein Queuing, keine Konkurrenz um Ressourcen, kein Cold-Start-Pfad, kein Netzwerk-Hop über Regionen hinweg. Die Produktionszahl von 90 ms ist der eigene Versuch des Unternehmens, dem Rechnung zu tragen, und die Lücke zwischen 47 und 90 ms entspricht ungefähr dem Ausmaß der realen Beeinträchtigung, die der Labortest nicht sehen kann. Wer einen Voice-Agent in großem Umfang betrieben hat, wird dies als die typische Form des TTS-Latenz-Marketings wiedererkennen: eine saubere Laborzahl für die Benchmark-Folie, eine weichere Produktionszahl für das Preisgespräch und eine dritte Zahl, die erst auftaucht, wenn man sich in einem öffentlichen Netzwerk in einer Region weit entfernt vom Endpoint befindet.

Diese dritte Zahl existiert inzwischen, und sie ist schlechter. Cekura, ein unabhängiges Bewertungsunternehmen für Sprachagenten, hat für AssemblyAI-TTS-1 über seinen Testdatensatz mit Sätzen im Agentenstil hinweg eine mediane Streaming-Latenz von 159 ms gemessen — womit es unter neunzehn Systemen auf Platz acht steht statt auf Platz eins. Cekura bewertete außerdem die Lesegenauigkeit mit 81,5 %, praktisch gleichauf mit ElevenLabs v4 bei 80,4 %, während AssemblyAI bei Telefonnummern und Codes mit 91,7 % auf Platz eins und bei Natürlichkeit mit 4,50 auf Platz vier landete. Liest man die beiden Quellen zusammen, ergibt sich ein stimmiges Bild: AssemblyAI-TTS-1 beginnt wirklich schnell zu sprechen, ist ungewöhnlich gut bei schwer auszusprechenden Tokens und nicht das schnellste System im Feld, sobald ein echter Streaming-Pfad im Spiel ist.

Zwei Artificial-Analysis-Arenen, zwei unterschiedliche Geschichten

Artificial Analysis betreibt zwei TTS-Boards, und sie messen unterschiedliche Dinge. In der Provider-Voice-Arena spricht jedes Modell mit seinen eigenen nativen Stimmen; in der Controlled-Voice-Arena wird jedes Modell auf dieselben acht geklonten Stimmen gezwungen. Diese Unterscheidung ist das Nützlichste an diesem Launch, denn AssemblyAI-TTS-1 erzielt auf dem kontrollierten Board bessere Werte als im eigenen Katalog.

• Provider Voice — 1.227 Elo, bei Debüt auf Platz 12, 1.626 bewertete Auftritte. Zwei Tage später zeigt das Live-Board 1.227 auf Platz 14: gleiche Punktzahl, niedrigerer Rang, weil zwei Modelle über ihm neu hinzugekommen sind. Elo ist die stabile Zahl; der Rang ist ein bewegliches Ziel.

Controlled Voice — 1.110 Elo, 10. Platz beim Debüt, 1.674 Einsätze. Das Live-Board zeigt jetzt 1.108 auf Platz 10.

• Robustheit der Aussprache — 81,7 % bei 2.115 bewerteten Clips, Platz 16 auf dieser Rangliste.

• Generierungsgeschwindigkeit — 162 Zeichen pro Sekunde.

Ein Modell, das unter geklonten Stimmen höher rangiert als in seiner eigenen Bibliothek mit 4.000 Stimmen, sagt dir etwas ganz Bestimmtes: Die Akustik ist wettbewerbsfähig, und das Stimmdesign ist noch nicht der entscheidende Unterschied. Breeze TTS 2, der Spitzenreiter bei Open-Weights, zeigt das exakt gegenteilige Muster – stark bei Anbieterstimmen, schwach bei kontrollierten – und genau dieser Vergleich macht die Sache interessant. AssemblyAI hat einen breiten, günstigen, kompetenten Katalog aufgebaut; es hat noch keine Stimmen entwickelt, die in Blind-Hörtests aus eigener Kraft gewinnen.

Die Rangdrift ist aus einem praktischen Grund erwähnenswert. Jeder Aggregator, der über diesen Launch berichtet, zitiert „top 12 in Provider Voice“ aus dem Ankündigungsbeitrag von Artificial Analysis, und wenn Sie dies lesen, könnte derselbe Score auf Platz 15 oder 16 liegen. Das bedeutet nicht, dass AssemblyAI an Qualität verliert. Es ist ein Leaderboard, in dem ein paar Elo-Punkte fünf Plätze umfassen und in dem die meisten Wochen neue Einträge hinzukommen. Beurteilen Sie den Elo-Wert, notieren Sie das Datum, an dem Sie ihn lesen, und werten Sie einen Rutsch um zwei Plätze nicht als Regression.

Wo die Bewertungen der Anbieter stark aussehen – und wo nicht.

AssemblyAI veröffentlichte einen umfangreicheren Satz von Zahlen als die meisten TTS-Einführungen – alle davon stammen aus eigener Arbeit und wurden an 50 gemeinsam genutzten geklonten Stimmen getestet, wobei generiertes Audio durch seinen Universal-3.5 Pro Recogniser zurücktranskribiert wurde. Die Methodik ist sinnvoll – Audio durch ein ASR-Modell zu schicken und wieder transkribieren zu lassen, ist ein vernünftiger Näherungswert für Verständlichkeit – und dennoch ist es ein Test, den der Anbieter selbst entworfen und bewertet hat.

• Entitätsgenauigkeit bei schwierigen Zielen (Telefonnummern, URLs, Bestätigungscodes, Arzneimittelnamen) — 93,7 % für AssemblyAI-TTS-1, 93,6 % für ElevenLabs v4, 82,5 % für Cartesia Sonic 3.6, 68,0 % für ElevenLabs Flash v2.5. Ein Zehntelpunkt Vorsprung vor ElevenLabs v4 ist ein Gleichstand im Gewand eines Sieges; die 11-Punkte-Lücke gegenüber Sonic 3.6 ist der eigentliche Befund.

• Wortgenauigkeit — 99,0 %, was so nahe an der Obergrenze liegt, dass es nicht mehr zwischen guten Modellen unterscheidet.

• Vorhergesagter MOS-Wert — 3,85, und hier verliert AssemblyAI: Inworld TTS-2 Flash erreicht 3,88 auf derselben Skala, Cartesia Sonic 3.6 liegt bei 3,82 und beide ElevenLabs-Modelle darunter. Die eigene Tabelle des Anbieters führt es nicht auf Platz eins.

• TTSDS-Prosodie — 85,5, ein Wert ohne herstellerübergreifende Vergleichsbasis im Beitrag.

• Sprecherähnlichkeit beim Klonen — 0,64, was für Instant-Cloning niedrig ist und eher zur Platzierung in der kontrollierten Arena als zu der des Anbieters passt.

Die ehrliche Zusammenfassung dieser Tabelle fällt enger aus als der Launch-Text: AssemblyAI-TTS-1 ist hervorragend darin, schwierige Strings richtig hinzubekommen, konkurrenzfähig bei der Verständlichkeit, im Mittelfeld bei der Natürlichkeit und am schwächsten bei der Stimmidentität, wenn man klont. Für einen Sprachagenten, der Kontonummern und Postleitzahlen vorliest, ist die erste Zeile die, die sich auszahlt. Für ein erzähltes Hörbuch oder eine Figurenstimme sind die letzten beiden Zeilen entscheidend, und dieses Modell ist nicht die richtige Wahl.

Was es noch nicht kann – und was Sie das kostet

Die Funktionslücken sind für eine erste Version normal und für diese Kategorie ungewöhnlich folgenreich. Es gibt kein SSML, also keine zuverlässige Möglichkeit, eine Pause, eine Betonung oder eine Aussprache zu erzwingen, ohne den Text umzuschreiben. Es gibt keinen Geschwindigkeitsparameter, was bedeutet, dass das Tempo vorgelagert durch das Erzeugen mehr oder weniger Wörter gesteuert werden muss. Es gibt keine benutzerdefinierten Aussprachewörterbücher, obwohl die Entitätsgenauigkeit die herausragende Stärke ist – wenn das Modell einen Markennamen tatsächlich falsch ausspricht, kann man ihm kein Lexikon geben, man kann den Text nur umschreiben und hoffen. Emotion-Tags und feinabgestimmtes Pro-Cloning sind in den eigenen Worten des Anbieters beide „demnächst verfügbar“, und die Überschrift „native Emotion“ auf der Launch-Seite steht unpassend neben einer FAQ, die besagt, dass dedizierte Emotionssteuerungen nicht verfügbar sind.

Die Sprachabdeckung ist die schärfere Grenze. Sechs Sprachen zum Start gegenüber 44 bei Cartesia Sonic 3.6 und behaupteten 50 bei Breeze TTS 2 – mit dem Vorbehalt, dass die eigene Modellkarte von Breeze nur Englisch und Chinesisch ausweist. Wenn Ihr Agent in derselben Woche einen deutschen und einen portugiesischen Anrufer bedienen muss, deckt AssemblyAI beide ab. Braucht er Polnisch, Japanisch oder Arabisch, dann nicht – und ein Datum wurde dafür nicht genannt.

Wie du es tatsächlich bekommst

AssemblyAI-TTS-1 wird über die eigene API des Anbieters bereitgestellt – HTTP, WebSocket und einen OpenAI-kompatiblen Endpunkt – mit US- und EU-Hosts zum selben Preis, plus einem Anmeldeguthaben von 50 $ und als angegebenem Einstieg ausschließlich Pay-as-you-go. Darüber hinaus ist es über mehrere Drittanbieter-Plattformen verfügbar. Es ist heute nicht im OrcaRouter-Katalog, und wir werden nicht so tun, als wäre es dort; wenn Sie es diese Woche nutzen möchten, ist die API des Anbieters der direkte Weg.

Der Teil dieser Einführung, der uns wirklich betrifft, ist die Form der Entscheidung, die sie hervorbringt. Ein Voice-Agent ist eine Pipeline aus drei Modellen – Spracherkennung, ein Sprachmodell, Sprachsynthese – und der TTS-Zweig ist jetzt derjenige mit der größten Preisspanne und den neuesten Marktteilnehmern. Genau in diesem Zweig will man eine zweite Option eingebunden haben, bevor man sich festlegt, denn ein brandneues Modell mit einem Latenztest bei nur einem Client und ohne unabhängige Lasttests ist per Definition eine Komponente, die hinter einem Fallback stehen sollte. Mehr als 200 Modelle über eine einzige API mit 0 % Aufschlag zu routen, ist genau das, was wir tun: Wir reichen den Listenpreis des Anbieters unverändert durch, sodass eine Preissenkung noch am selben Tag wirksam wird, und mit automatischem Failover sorgen wir dafür, dass ein schlechter Nachmittag bei einem Anbieter den Agenten nicht lahmlegt. Die TTS-Modelle, die wir heute routen, sind OpenAI's tts-1, tts-1-hd und gpt-4o-mini-tts neben Google's Gemini 3.1 Flash TTS Preview – ein brauchbarer zweiter Zweig, während AssemblyAI-TTS-1 sich unter Ihrem Traffic bewährt statt unter seinem eigenen.

Was würde das Urteil ändern

Drei Dinge, in der Reihenfolge, wie stark sie die Entscheidung beeinflussen würden. Erstens: ein unabhängiger Latenztest unter realer Nebenläufigkeit – Cekuras 159-ms-Streaming-Wert ist die einzige externe Messung bisher und eine einzelne Zahl aus einem einzigen Labor. Ein zweites Labor, das den 47-ms-Vorteil beim ersten Byte reproduziert – oder daran scheitert –, würde klären, ob die Geschwindigkeitsbehauptung den Kontakt mit einer Warteschlange übersteht. Zweitens: das Aussprachewörterbuch. Die Entitätsgenauigkeit ist das stärkste Argument des Modells und zugleich die Fähigkeit, die in der Produktion am wahrscheinlichsten durch einen Produktnamen zunichtegemacht wird, den das Modell noch nie gesehen hat. Das Ausliefern von Aussprachewörterbüchern macht aus einem Benchmark-Sieg einen operativen Vorteil. Drittens: ob die sechs Sprachen nach demselben Zeitplan wachsen wie der Rest der Roadmap, denn der Preisvorteil verstärkt sich nur, wenn die Abdeckung aufholt.

Bis diese verfügbar sind, ist die richtige Interpretation dieser Markteinführung eng gefasst und nützlich: AssemblyAI-TTS-1 ist die günstigste glaubwürdige TTS-API auf dem Markt – von einem Anbieter, der auf zehn Jahre Sprachinfrastruktur zurückblickt; sie ist im Labor schnell und schnell genug in dem einen externen Test, den es gibt; sie liest schwierige Strings besser als alles, womit sie verglichen wurde; und bei Natürlichkeit liegt sie im Mittelfeld, bei geklonter Identität ist sie schwach. Das ist eine starke Kaufempfehlung für hochvolumige Agenten in sechs Sprachen und eine verfrühte für alles, was eine unverwechselbare Stimme braucht.