AssemblyAI-TTS-1 a 15 dólares por millón de caracteres: el piso de precios de los agentes de voz acaba de moverse

AssemblyAI-TTS-1pasó a estar disponible de forma general el 27 de octubre de 2026 a 15 dólares por millón de caracteres de entrada, y la cifra que importa no es la que aparece en el titular, sino la que se obtiene después de dividir. A un ritmo de habla normal de aproximadamente 15 caracteres por segundo, un millón de caracteres equivale a unas 18 horas de audio terminado, lo que sitúa el modelo cerca de 81 centavos por hora de habla. Cartesia Sonic 3.6, el líder actual en velocidad, cobra 49 dólares por millón de caracteres, o alrededor de 2,70 dólares por hora. ElevenLabs v4 cobra 80 dólares, o alrededor de 4,40 dólares por hora. Este es el primer modelo independiente de texto a voz de AssemblyAI —la empresa fue proveedora de voz a texto hasta esta semana— y ha entrado en un mercado donde el líder cobra entre tres y cinco veces más por la misma unidad de trabajo.

La afirmación merece una salvedad inmediata, porque aquí tres partes distintas aportan tres tipos distintos de cifras. El precio corresponde a la tarifa publicada por la propia AssemblyAI y se puede verificar en su página de precios. La cifra de latencia proviene de una prueba de laboratorio que AssemblyAI realizó contra cinco proveedores rivales, con 30 prompts, tres rondas, cuatro voces estándar por modelo y una solicitud a la vez. La posición en la clasificación es de Artificial Analysis y se midió de forma independiente. Cuando este artículo cita las evaluaciones de calidad de la propia AssemblyAI —precisión de entidades, MOS predicho, prosodia y similitud de clonación—, esas cifras son reportadas por el proveedor y nadie fuera de AssemblyAI las ha reproducido. La única medición de latencia genuinamente independiente de la que se dispone hasta ahora apunta a algo menos favorecedor que el marketing, y conviene empezar por eso.

La ficha técnica en una sola pantalla

• Precio — $15 por millón de caracteres de entrada, facturado sobre el texto, incluidos espacios y puntuación; todas las voces de la biblioteca y todos los idiomas incluidos, sin cargo por voz ni por concurrencia

• Voces — más de 4.000 en la biblioteca, además de clonación instantánea a partir de una breve muestra de referencia (la demostración utilizó 24 segundos de audio)

• Idiomas — inglés, español, francés, alemán, italiano y portugués en el lanzamiento, múltiples acentos, sin fecha indicada para el próximo lote

• Latencia — 90 ms de tiempo hasta el primer audio citados para producción, una cifra que la empresa describe como conservadora; 47 ms de mediana del tiempo hasta el primer byte en su propia comparación de laboratorio

• Rendimiento — 162 caracteres por segundo en Artificial Analysis, por delante de Cartesia Sonic 3.6 con 148,6

• Interfaces: HTTP, WebSocket con un mensaje de cancelación para la interrupción, y una ruta compatible con OpenAI; los agentes de referencia de LiveKit y Pipecat se incluyen con ello

• Salida — PCM, mu-law y A-law de 8 a 48 kHz, 24 kHz nativo, marcas de tiempo a nivel de palabra devueltas junto con el audio

• Residencia y límites — Procesamiento en EE. UU. o en la UE al mismo precio, concurrencia ilimitada con pago por uso, sin contrato anual ni compra por niveles

• Todavía no — sin SSML, sin parámetro de velocidad, sin diccionarios de pronunciación, sin etiquetas de emoción, sin clonación "pro" ajustada

Dos de esas líneas hacen más trabajo comercial que el resto. La concurrencia ilimitada a precio de lista elimina la negociación que la mayoría de los proveedores de TTS pone por delante de los agentes de voz de alto volumen, donde los niveles de concurrencia por minuto pueden superar la tarifa por carácter. Y la facturación que cuenta espacios y puntuación es honesta, pero no gratuita: un guion de 1.000 palabras ocupa aproximadamente 6.000 caracteres una vez incluidos espacios y comas, así que el precio efectivo por palabra hablada es más alto de lo que sugiere una comparación ingenua con la tarifa por palabra. AssemblyAI no oculta eso —la página de precios lo dice claramente—, pero es el tipo de detalle que convierte una diferencia anunciada de 3x en una de 2,7x en un guion real.

Por qué la cifra de 47 ms tiene tanto peso

La publicación de lanzamiento empieza destacando la velocidad, y la prueba subyacente es más informativa que la mayoría de las comparaciones entre proveedores porque nombra a sus competidores y su método. Tiempo mediano hasta el primer byte, un solo cliente, solicitudes secuenciales: AssemblyAI-TTS-1 a 47 ms, ElevenLabs Flash v2.5 a 119 ms, Cartesia Sonic 3.6 a 143 ms, Inworld TTS-2 Flash a 244 ms, Inworld TTS-2 a 280 ms, ElevenLabs v4 a 612 ms. Si se acepta esa configuración, AssemblyAI no solo es rápida: es aproximadamente tres veces más rápida hasta el primer byte que Cartesia Sonic 3.6, el modelo con el que se compara en precio, y dos veces y media más rápida que ElevenLabs Flash v2.5.

Lo que la configuración no puede decirte es qué ocurre bajo carga. Un solo cliente que emite una solicitud a la vez mide el modelo, no el servicio: sin colas, sin contención por concurrencia, sin ruta de arranque en frío, sin salto de red entre regiones. La cifra de producción de 90 ms es el propio intento de la empresa de tener eso en cuenta, y la diferencia entre 47 y 90 ms es aproximadamente el tamaño de la penalización del mundo real que la prueba de laboratorio no puede ver. Cualquiera que haya ejecutado un agente de voz a gran escala reconocerá esto como la forma estándar del marketing de latencia de TTS: una cifra de laboratorio limpia para la diapositiva de benchmarks, una cifra de producción más suave para la conversación sobre precios, y una tercera cifra que solo aparece una vez que estás en una red pública en una región lejana del endpoint.

Ese tercer número ya existe ahora, y es peor. Cekura, una firma independiente de evaluación de agentes de voz, midió una latencia mediana de streaming de 159 ms para AssemblyAI-TTS-1 en su conjunto de pruebas de frases con estilo de agente, lo que lo sitúa en octavo lugar entre diecinueve sistemas, en lugar de primero. Cekura también puntuó la precisión de lectura en 81,5%, prácticamente a la par de ElevenLabs v4 con 80,4%, mientras otorgaba a AssemblyAI el primer puesto en números de teléfono y códigos con 91,7% y el cuarto en naturalidad con 4,50. Si se leen las dos fuentes en conjunto, se forma una imagen coherente: AssemblyAI-TTS-1 es realmente rápido en empezar a hablar, inusualmente bueno con tokens difíciles de pronunciar, y no es lo más rápido del mercado cuando entra en juego una ruta de streaming real.

Dos arenas de Artificial Analysis, dos historias diferentes

Artificial Analysis gestiona dos tableros de TTS y miden cosas distintas. La arena Provider Voice hace que cada modelo hable con sus propias voces nativas; la arena Controlled Voice fuerza a todos los modelos a usar las mismas ocho voces clonadas. Esa distinción es lo más útil en este lanzamiento, porque AssemblyAI-TTS-1 obtiene mejor puntuación en el tablero controlado que en su propio catálogo.

• Provider Voice — 1.227 de Elo, 12.º en su debut, 1.626 apariciones calificadas. Dos días después, el tablero en vivo marca 1.227 en el puesto 14: la misma puntuación, una posición inferior, porque dos modelos entraron por encima. El Elo es el número estable; la posición es un blanco móvil.

• Controlled Voice — 1.110 Elo, 10.º en su debut, 1.674 apariciones. La tabla en vivo ahora marca 1.108 en el 10.º puesto.

• Robustez de la pronunciación — 81,7% en 2.115 clips calificados, puesto 16 en esa tabla.

• Velocidad de generación — 162 caracteres por segundo.

Un modelo que se sitúa más arriba entre voces clonadas que entre su propia biblioteca de 4.000 voces te está diciendo algo concreto: la acústica es competitiva, y el diseño de voces todavía no es el factor diferencial. Breeze TTS 2, el líder en pesos abiertos, muestra el patrón exactamente opuesto —fuerte con voces de proveedor, débil con las controladas— y esa comparación es donde esto se vuelve interesante. AssemblyAI ha construido un catálogo amplio, barato y competente; todavía no ha construido voces que ganen pruebas de escucha a ciegas por sus propios méritos.

La deriva en la clasificación merece señalarse por una razón práctica. Todos los agregadores que cubren este lanzamiento citan "top 12 en Provider Voice" del anuncio de Artificial Analysis, y para cuando leas esto la misma puntuación puede estar en el puesto 15 o 16. No es que AssemblyAI esté perdiendo calidad. Es una tabla de clasificación donde unos pocos puntos Elo abarcan cinco posiciones, y donde entran nuevos participantes casi cada semana. Juzga el Elo, anota la fecha en que lo lees y no trates una caída de dos puestos como una regresión.

Dónde las evaluaciones de proveedores se ven sólidas y dónde no

AssemblyAI publicó un conjunto de cifras más completo que el de la mayoría de los lanzamientos de TTS, todas propias, todas probadas con 50 voces clonadas compartidas y con audio generado transcrito de vuelta mediante su reconocedor Universal-3.5 Pro. La metodología es sensata —hacer pasar el audio por un modelo ASR en un ciclo de ida y vuelta es un indicador razonable de inteligibilidad—, pero sigue siendo una prueba que el proveedor diseñó y puntuó.

• Precisión de entidades en objetivos difíciles (números de teléfono, URL, códigos de confirmación, nombres de medicamentos): 93,7 % para AssemblyAI-TTS-1, 93,6 % para ElevenLabs v4, 82,5 % para Cartesia Sonic 3.6, 68,0 % para ElevenLabs Flash v2.5. Una décima de punto por encima de ElevenLabs v4 es un empate disfrazado de victoria; la diferencia de 11 puntos sobre Sonic 3.6 es el verdadero hallazgo.

• Precisión de palabras — 99,0 %, lo bastante cerca del techo como para que deje de discriminar entre buenos modelos.

• MOS previsto — 3,85, y aquí AssemblyAI pierde: Inworld TTS-2 Flash obtiene 3,88 en la misma escala, con Cartesia Sonic 3.6 en 3,82 y ambos modelos de ElevenLabs por debajo de ellos. La propia tabla del proveedor no lo sitúa en primer lugar.

• Prosodia de TTSDS — 85.5, una cifra sin línea base entre proveedores en la publicación.

• Similitud del hablante clonado — 0,64, lo cual es bajo para la clonación instantánea y coherente con la ubicación en el entorno controlado en lugar de la del proveedor.

El resumen honesto de esa tabla es más limitado que el texto promocional de lanzamiento: AssemblyAI-TTS-1 es excelente para acertar con cadenas difíciles, competitivo en inteligibilidad, está en la media en naturalidad y es el más débil en identidad de la voz cuando se clona. Para un agente de voz que lee números de cuenta y códigos postales, la primera línea es la que compensa. Para un audiolibro narrado o una voz de personaje, las dos últimas líneas son las que importan, y este modelo no es la elección.

Lo que aún no puede hacer y lo que eso te cuesta

Las brechas de funcionalidad son normales para un primer lanzamiento e inusualmente determinantes para esta categoría. No hay SSML, así que no existe una forma fiable de forzar una pausa, un énfasis o una pronunciación sin reescribir el texto. No hay parámetro de velocidad, lo que significa que el ritmo debe gestionarse en una etapa anterior generando más o menos palabras. No hay diccionarios de pronunciación personalizados, pese a que la precisión de las entidades es la fortaleza más destacada: cuando el modelo pronuncia mal el nombre de una marca, no se le puede pasar un léxico, solo queda reescribir el texto con otra grafía y esperar que funcione. Las etiquetas de emoción y la clonación profesional con ajuste fino están ambas «próximamente», en palabras del propio proveedor, y el encabezado «emoción nativa» de la página de lanzamiento desentona incómodamente junto a una sección de preguntas frecuentes que indica que los controles dedicados de emoción no están disponibles.

La cobertura de idiomas es el límite más restrictivo. Seis idiomas en el lanzamiento frente a 44 de Cartesia Sonic 3.6 y los 50 que se atribuyen a Breeze TTS 2, con la salvedad de que la propia tarjeta del modelo de Breeze solo etiqueta inglés y chino. Si tu agente necesita responder a una persona que llama en alemán y a otra en portugués en la misma semana, AssemblyAI cubre ambos. Si necesita polaco, japonés o árabe, no los cubre, y no se ha dado ninguna fecha.

Cómo realmente lo consigues

AssemblyAI-TTS-1 se ofrece desde la propia API del proveedor — HTTP, WebSocket y un endpoint compatible con OpenAI — con hosts en EE. UU. y en la UE al mismo precio, además de un crédito de 50 USD al registrarse y un punto de partida indicado de solo pago por uso. Más allá de eso, está disponible a través de varias plataformas de terceros. Hoy no está en el catálogo de OrcaRouter, y no vamos a fingir que lo está; si lo quieres esta semana, la API del proveedor es la vía directa.

La parte de este lanzamiento que sí nos preocupa es la forma de la decisión que crea. Un agente de voz es una tubería de tres modelos —reconocimiento de voz, un modelo de lenguaje, síntesis de voz— y la pata de TTS es ahora la que tiene el mayor diferencial de precios y los participantes más recientes. Es exactamente la pata en la que quieres tener una segunda opción conectada antes de comprometerte, porque un modelo recién lanzado con una prueba de latencia de un solo cliente y sin pruebas de carga independientes es la definición de un componente que debería estar detrás de un mecanismo de respaldo. Enrutar más de 200 modelos a través de una sola API con un 0 % de margen es lo que hacemos, con el precio de lista del proveedor transferido tal cual para que una rebaja de precios se aplique el mismo día y con conmutación automática por error para que una mala tarde en un proveedor no tumbe al agente. Los modelos de TTS que enrutamos hoy son tts-1 de OpenAI, tts-1-hd y gpt-4o-mini-tts junto con Gemini 3.1 Flash TTS Preview de Google —una segunda pata viable mientras AssemblyAI-TTS-1 se demuestra bajo tu tráfico y no bajo el suyo.

¿Qué cambiaría el veredicto?

Tres cosas, en orden de cuánto inclinarían la decisión. Primero, una prueba de latencia independiente con concurrencia real: la cifra de 159 ms en streaming de Cekura es la única medición externa hasta ahora, y es un solo número de un solo laboratorio. Que un segundo laboratorio reproduzca la ventaja de 47 ms en el primer byte —o no lo logre— resolvería si la afirmación sobre la velocidad sobrevive al contacto con una cola. Segundo, el diccionario de pronunciación. La precisión de entidades es el mejor argumento del modelo, y también es la capacidad con más probabilidades de quedar anulada en producción por un nombre de producto que el modelo nunca ha visto. Publicar los diccionarios convierte una victoria en un benchmark en una victoria operativa. Tercero, si los seis idiomas avanzan según el mismo calendario que el resto de la hoja de ruta, porque la ventaja de precio solo se multiplica si la cobertura se pone al día.

Hasta que eso llegue, la lectura correcta de este lanzamiento es acotada y útil: AssemblyAI-TTS-1 es la API de TTS creíble más barata del mercado, de un proveedor con una década de infraestructura de voz detrás; es rápida en laboratorio y lo bastante rápida en la única prueba externa que existe, lee cadenas difíciles mejor que cualquiera de las alternativas con las que se la comparó, y está a media tabla en naturalidad y floja en identidad clonada. Es una compra sólida para agentes de gran volumen en seis idiomas, y prematura para cualquier cosa que necesite una voz distintiva.