AssemblyAI-TTS-1 vs. ElevenLabs Eleven v4: Was 5,3× günstiger erkauft – und was es kostet

AssemblyAI-TTS-1 kostet 15 $ pro Million Zeichen. ElevenLabs Eleven v4 kostet 80 $. Dieses Verhältnis – 5,3× – ist die Zahl, mit der jede Schlagzeile über das Duell beginnt, und sie ist die am wenigsten nützliche Zahl darin, denn das Modell, das man tatsächlich hinter einen Telefonagenten setzen würde, ist nicht Eleven v4. Es ist Eleven v4 Turbo mit 40 $ pro Million Zeichen oder Flash v2.5, ebenfalls 40 $. Gegen diese beträgt der Rabatt das 2,7-Fache, und gegen Flash v2.5 – das latenzarme Geschwistermodell, das ElevenLabs genau für diese Aufgabe verkauft – kämpft AssemblyAI-TTS-1 überhaupt nicht gegen einen etablierten Bestandsanbieter. Beide sind in den letzten fünf Wochen erschienen. Beide wurden für denselben Kunden gebaut. Eines von ihnen zahlt für eine Qualitätsgrenze, auf deren Wettbewerb das andere verzichtet hat.

Die Preistabelle leistet mehr Arbeit als die Benchmark-Tabelle.

AssemblyAI-TTS-1 wurde am 27. Oktober 2026 allgemein verfügbar; die Evaluierungszahlen wurden einen Tag später veröffentlicht. Die Preisliste ist ungewöhnlich pauschal: 15 US-Dollar pro einer Million Eingabezeichen, einschließlich Leerzeichen und Satzzeichen, und dieser eine Tarif deckt jede Stimme in der Bibliothek mit über 4.000 Stimmen, jede Startsprache, sofortiges Voice-Cloning, Wort-Zeitstempel sowie Verarbeitung entweder in den USA oder der EU ab. Es gibt keine Gebühren pro Stimme, keine Nebenläufigkeitsstufen, keine Jahresverträge, und der Anbieter sagt, der Preis pro Zeichen sei derselbe, ob man zehn parallele Aufrufe oder zehntausend ausführt.

Die Preisliste von ElevenLabs ist nach Modell gestaffelt. Eleven v4, angekündigt am 28. September 2026, ist mit 0,08 $ pro tausend Zeichen angegeben – 80 $ pro Million. Eleven v4 Turbo und Flash v2.5 sind beide mit 0,04 $ pro tausend Zeichen angegeben, also 40 $ pro Million. Eine Einführungsaktion reduzierte v4 bis zum 12. Oktober 2026 um 72 %; dieses Zeitfenster ist geschlossen, sodass die 80 $ jetzt der Betrag sind, der Ihnen tatsächlich berechnet würde.

Übersetzen Sie beides in die Einheit, in der ein Voice-Agent-Team budgetiert. Bei einer normalen Sprechgeschwindigkeit von etwa 150 Wörtern pro Minute und grob sechs Zeichen pro Wort einschließlich Leerzeichen sind eine Minute fertig gesprochener Sprache etwa 900 Zeichen. Das ist eine Schätzung, keine Anbieterangabe, aber sie reicht aus, um die Form der Rechnung zu erkennen:

• Eine Stunde durchgehende Sprache – etwa 54.000 Zeichen – kostet rund 0,81 $ bei AssemblyAI-TTS-1, 4,32 $ bei Eleven v4 und 2,16 $ bei Eleven v4 Turbo.

• Hunderttausend dreiminütige Anrufe – 300.000 Minuten, rund 270 Millionen Zeichen – kosten etwa 4.050 US-Dollar mit AssemblyAI-TTS-1, 21.600 US-Dollar mit Eleven v4 und 10.800 US-Dollar mit Eleven v4 Turbo.

• Der Unterschied zwischen AssemblyAI-TTS-1 und Eleven v4 Turbo bei dieser Arbeitslast beträgt 6.750 US-Dollar pro Monat bei identischem Anrufvolumen. Im Vergleich zu Eleven v4 sind es 17.550 US-Dollar.

Das ist die eigentliche Entscheidung, und sie ist langweilig: Sie entscheiden, ob ein Qualitätsdelta $6,750 pro Monat bei hunderttausend Anrufen wert ist. Alles andere in diesem Vergleich dreht sich darum, wie groß dieses Delta tatsächlich ist.

Was man für die zusätzlichen 65 US-Dollar pro Million Zeichen bekommt

Auf dem Blindhör-Board bringt es messbar etwas. Die Provider Voice Arena von Artificial Analysis, Stand 30. Oktober 2026, führt Eleven v4 Turbo mit 1.336 Elo auf Platz eins und Eleven v4 mit 1.334 auf Platz zwei, gegenüber AssemblyAI-TTS-1 mit 1.227 auf Platz vierzehn. Eine Differenz von 107 Punkten auf dieser Skala ist kein Rauschen – die Intervalle überschneiden sich nicht. In der Controlled Voice Arena, in der die Referenzaufnahme konstant gehalten wird, sodass es beim Vergleich um Klon-Treue statt um Standardstimmen geht, liegt AssemblyAI-TTS-1 mit 1.110 auf Platz zehn.

Der Rest der Lücke besteht aus Inventar und Steuerungsoberfläche, und er ist größer, als der Elo-Unterschied vermuten lässt:

• Sprachen — AssemblyAI-TTS-1 wurde mit sechs Sprachen eingeführt: Englisch, Spanisch, Französisch, Deutsch, Italienisch und Portugiesisch, jeweils mit mehreren Akzenten. Eleven v4 deckt über 90 Sprachen mit muttersprachlichen Akzenten ab, statt dass ein englischsprachiger Sprecher fremde Wörter vorliest.

• Stimmbibliothek — über 4.000 bei AssemblyAI-TTS-1 gegenüber über 17.500, die für Eleven v4 beworben werden.

• Klonen — Instant-Cloning nur bei AssemblyAI-TTS-1, anhand eines Samples, das der Anbieter bei 24 Sekunden demonstriert. Eleven v4 verbindet Instant-Cloning ab nur zehn Sekunden mit Professional Voice Cloning, das in v4 zurückkehrte, nachdem es in v3 nicht vorhanden war. Bestehende professionelle Clones müssen eventuell speziell für v4 neu trainiert werden.

• Steuerung — AssemblyAI-TTS-1 wird ohne SSML, ohne Geschwindigkeitsparameter, ohne Aussprachewörterbuch und ohne Emotions-Tags ausgeliefert. Im Launch-Post wird ausdrücklich gesagt, dass Interpunktion und schriftliche Disfluenzen so vorgelesen werden, wie sie geschrieben stehen, und dass Pausen durch Prompting erzeugt werden, nicht durch Markup. Eleven v4 bietet stapelbare Inline-Audio-Tags — [laughs], [whispers] — und ein Zeichenlimit von 10.000 pro Anfrage.

• Ausgabe und Anbindung — AssemblyAI-TTS-1 streamt über WebSocket und HTTP, bietet einen OpenAI-kompatiblen Endpunkt, liefert Wort-Zeitstempel, unterstützt eine Abbruch-Nachricht für Barge-in und veröffentlicht Referenz-Agenten für LiveKit und Pipecat. Eleven v4 wird über ElevenAPI, ElevenAgents und ElevenCreative unter den Modell-IDs eleven_v4 und eleven_v4_turbo verkauft.

Betrachten Sie diese Liste als Aussage über das Produkt und nicht als Rangliste. AssemblyAI hat einen TTS-Endpunkt für genau eine Aufgabe gebaut – einen Dialogzug schnell, korrekt und zu einem festen Preis in eine Telefonleitung zu lesen – und die Studio-Steuerungen bewusst weggelassen. ElevenLabs hat weiter an einer Voice-Plattform gebaut. Wenn Ihr Produkt Dubbing, Narration oder eine Markenstimme ist, die trainiert und gesteuert werden muss, kommt der Endpunkt mit sechs Sprachen unabhängig vom Preis nicht in Betracht.

Die Latenzwerte weichen um den Faktor drei voneinander ab, und beide sind ehrlich.

Das ist der Teil des Vergleichs, den die meisten Berichte falsch darstellen – und zwar in beide Richtungen. Der Launch-Post von AssemblyAI nennt 90 ms bis zum ersten Audio in der Produktion und eine mediane Zeit bis zum ersten Byte von 47 ms in seinem eigenen Labortest, die als die schnellste von sechs Modellen beschrieben wird. Seine selbst gemeldete Head-to-Head-Tabelle führt ElevenLabs Flash v2.5 mit 119 ms auf, Cartesia Sonic 3.6 mit 143 ms, Inworld TTS-2 Flash mit 244 ms, Inworld TTS-2 mit 280 ms und ElevenLabs v4 mit 612 ms. Die eigene Dokumentation von ElevenLabs gibt für Turbo eine mediane Zeit bis zur ersten Sprachausgabe von ungefähr 150 ms und eine mediane Inferenzlatenz von etwa 100 ms an.

Dann hat Cekura, ein unabhängiges Testunternehmen, AssemblyAI-TTS-1 mit 159 ms medianer Streaming-Latenz gemessen – auf Platz acht der neunzehn Modelle, die es getestet hat –, mit 171 ms im Median, wenn der vollständige Text gesendet wird, und 296 ms bei p90. Das ist kein Widerspruch zu den 47 ms des Anbieters. Es ist eine andere Stoppuhr: AssemblyAI misst von der Anfrage bis zum ersten Byte, Cekura von dem zuletzt gesendeten Wort bis zur ersten Audioausgabe. Ein Voice-Agent, der einen Turn aushandelt, legt mehr Wert auf die zweite Messung, weil das LLM zuerst den Satz fertig generieren muss.

Die ehrliche Lesart ist also, dass AssemblyAI-TTS-1 nach der eigenen Methodik des Anbieters das schnellste Produkt im Vergleich und ElevenLabs v4 mit großem Abstand das langsamste ist, während AssemblyAI-TTS-1 nach einer unabhängigen, auf Agenten ausgerichteten Methodik im Mittelfeld landet und sowohl seine Behauptungen als auch die von ElevenLabs für Ihren Telefonie-Pfad als unbestätigt gelten sollten. Der einzige Latenzvergleich, der einer Prüfung standhält, ist der gegen Flash v2.5 – die ElevenLabs-SKU, die eigens dafür geschaffen ist, diesen Vergleich zu gewinnen, und die Dritte in der Produktion mit etwa 185 bis 197 ms gemessen haben. AssemblyAI-TTS-1 ist mit 159 ms schneller und dabei 2,7× günstiger. Es ist die einzige Stelle in diesem Vergleich, an der günstiger und schneller dieselbe Antwort sind.

Wo AssemblyAI-TTS-1 zuerst an seine Grenzen stößt

Nicht bei der Geschwindigkeit und nicht beim Preis. Sondern beim Long Tail der Dinge, die ein echter Anrufer sagt.

Die Ergebnisse von Cekura pro Kategorie setzen AssemblyAI-TTS-1 bei Telefonnummern und Codes mit 91,7 % auf Platz eins, bei Natürlichkeit mit 4,50 auf Platz vier und bei kontextabhängiger Aussprache mit 70,8 % auf Platz 22 von 27. Artificial Analysis bewertet es bei der Robustheit der Aussprache ebenfalls insgesamt mit 81,7 % – auf Platz 16 der von ihm bewerteten Modelle –, wobei die schwächste Teilbewertung mit 73,8 % auf das Ausschreiben von Kurzformen entfällt. Auf der Rangliste von Coval wird seine Wortfehlerrate mit 1,7 % angegeben – drei Zehntelpunkte hinter dem Spitzenreiter und vor Eleven v4 Turbo und Cartesia Sonic 3.6 mit 1,8 % sowie Deepgram Aura-2 mit 1,9 %.

Stellt man diese nebeneinander, zeigt sich ein spezifischer Fehlermodus: Dieses Modell ist sehr gut darin, eine Zahl laut vorzulesen, und merklich schwächer darin, zu entscheiden, wie eine Abkürzung, eine Adresse oder ein Kontocode ausgesprochen werden sollte. Genau diese Art von Fehler behebt ein Aussprachewörterbuch, und AssemblyAI-TTS-1 liefert noch keines mit. Wenn Ihr Agent Bestell-IDs vorliest, kaufen Sie ein Modell, dessen beste Eigenschaft das abdeckt und dessen schlechteste Eigenschaft genau das ist, worum Sie nicht herumkonfigurieren können.

ElevenLabs’ Antwort auf dasselbe Problem sind keine besseren Bewertungen, sondern feinere Kontrolle: Wörterbücher, Tags, Geschwindigkeit und ein professioneller Klon, der anhand Ihrer eigenen Referenz trainiert wurde. Sie zahlen 65 $ mehr pro Million Zeichen für die Möglichkeit, den Tail selbst zu korrigieren.

Die andere Hälfte des Agenten läuft noch über eine andere Rechnung.

Ein TTS-Modell läuft in einem Voice-Agent nie allein. Es läuft hinter einem Sprachmodell, das den Satz schreibt, und in den meisten Stacks ist dieses Sprachmodell der größere Kostenposten und das mit der volatileren Anbieterbeziehung. Das ist die Ebene, die OrcaRouter abdeckt: eine API für über 200 Modelle zum Listenpreis des Anbieters mit 0 % Aufschlag, automatisches Failover, wenn die Leistung eines Anbieters nachlässt, eine Routing-DSL, um Modelle zu einem einzigen Aufruf zusammenzusetzen, und Modellfusion, wenn eine Antwort nicht gut genug ist.

Zwei ehrliche Einschränkungen. Erstens: AssemblyAI-TTS-1 ist heute nicht im Katalog von OrcaRouter – die Sprach-Routen, die wir anbieten, sind OpenAIs tts-1, tts-1-hd und gpt-4o-mini-tts sowie Googles Gemini-TTS-Vorschauen – das ist also kein Werbetext dafür, das Modell hier zu kaufen. Zweitens, und das ist nützlicher: Da der Aufschlag null beträgt und die Listenpreise der Anbieter durchgereicht werden, schlägt eine Preissenkung eines Anbieters für welches TTS-Modell auch immer Sie routen, noch am selben Tag auf Ihrer Rechnung durch – genau der Mechanismus, der die oben beschriebene Verschiebung der Staffel von 80 auf 40 Dollar sehenswert macht und nicht bloß lesenswert.

Was am Montag zu tun ist

Drei Fragen entscheiden dies schneller als jeder Benchmark.

Muss Ihr Agent eine Sprache sprechen, die nicht zu den sechs gehört, mit denen AssemblyAI-TTS-1 an den Start ging? Dann ist der Vergleich vorbei – und zwar bei der Abdeckung, nicht bei der Qualität. Warten Sie, bis die Sprachliste wächst, oder zahlen Sie für ElevenLabs.

Liest Ihr Agent Kennungen, Codes oder Adressen einem Kunden laut vor? Dann testen Sie AssemblyAI-TTS-1 an Ihren eigenen Strings, bevor Sie sich darauf festlegen, denn die unabhängigen Aussprachekennzahlen sind der schwächste Teil seiner Bilanz, und die Konfigurations-Notlösung gibt es noch nicht. Die vom Anbieter gemeldete und nicht reproduzierte Entitätsgenauigkeit von 93,7 % in seinem eigenen 580-Elemente-Set – gegenüber 93,6 % für Eleven v4 und 68,0 % für Flash v2.5 – sagt das Gegenteil dessen, was Cekuras kontextuelle Bewertung aussagt. Eine der beiden misst Ihre Arbeitslast, und Sie wissen nicht, welche.

Ist die Stimme Ihre, trainiert und kontrolliert? Dann ElevenLabs, ohne große Diskussion. Sofortiges Klonen aus 24 Sekunden erzeugt eine nutzbare Voice-ID; es erzeugt kein Marken-Asset, das Sie verteidigen können.

Wenn die Antworten sechs Sprachen, nein und nein lauten — ein Telefonagent im großen Maßstab, der gewöhnliche Gesprächsbeiträge verarbeitet —, dann ist AssemblyAI-TTS-1 für $15 mit unbegrenzter Parallelität und ohne Parallelitätsgebühren die günstigere und, gemessen an der unabhängigen Latenzmessung, schnellere Option, und die Qualitätslücke beträgt 107 Elo blinder Präferenz, die Sie nicht mit $6.750 pro Monat schließen. Hängen Sie es hinter einen Failover-Pfad, lassen Sie es einen Monat lang gegen Ihre eigenen Anrufaufzeichnungen laufen und halten Sie Flash v2.5 als Fallback eingebunden für den Tag, an dem sich herausstellt, dass der Tail Ihres Korpus voller Abkürzungen ist.

Das ist der gesamte Vergleich. Ein Anbieter verkauft eine Obergrenze, der andere eine Untergrenze, beide entsprechend bepreist, und der einzige teure Fehler, der hier möglich ist, besteht darin, die Obergrenze für eine Arbeitslast zu kaufen, die sie nie erreicht.