AssemblyAI-TTS-1 frente a ElevenLabs Eleven v4: lo que se gana con un precio 5,3× más bajo y lo que cuesta

AssemblyAI-TTS-1 cuesta 15 dólares por millón de caracteres. ElevenLabs Eleven v4 cuesta 80. Esa proporción —5,3×— es la cifra con la que abre todo titular sobre este enfrentamiento, y es la menos útil de todas, porque el modelo que de verdad pondrías detrás de un agente telefónico no es Eleven v4. Es Eleven v4 Turbo, a 40 dólares por millón de caracteres, o Flash v2.5, también a 40. Frente a esos, el descuento es de 2,7×, y frente a Flash v2.5 —el hermano de baja latencia que ElevenLabs vende justamente para este trabajo— AssemblyAI-TTS-1 no se está enfrentando a ningún incumbente heredado. Ambos se lanzaron en las últimas cinco semanas. Ambos se diseñaron para el mismo cliente. Uno de ellos está pagando por un techo de calidad en el que el otro ha decidido no competir.

La tabla de precios está haciendo más trabajo que la tabla de referencia.

AssemblyAI-TTS-1 pasó a estar disponible de forma general el 27 de octubre de 2026, con cifras de evaluación publicadas un día después. Su tarifario es inusualmente uniforme: 15 USD por millón de caracteres de entrada, espacios y puntuación incluidos, y esa única tarifa cubre todas las voces de la biblioteca de más de 4000, todos los idiomas de lanzamiento, la clonación de voz instantánea, las marcas de tiempo por palabra y el procesamiento en EE. UU. o en la UE. No hay tarifas por voz, ni niveles de concurrencia, ni contrato anual, y el proveedor afirma que el precio por carácter es el mismo tanto si ejecuta diez llamadas simultáneas como si ejecuta diez mil.

La tarifa de ElevenLabs está escalonada por modelo. Eleven v4, anunciado el 28 de septiembre de 2026, tiene un precio de lista de $0,08 por cada mil caracteres — $80 por millón. Eleven v4 Turbo y Flash v2.5 tienen ambos un precio de lista de $0,04 por cada mil, o $40 por millón. Una promoción de lanzamiento redujo v4 en un 72% hasta el 12 de octubre de 2026; ese periodo ya ha terminado, así que los $80 son ahora la cifra que realmente se facturaría.

Traduce ambos a la unidad en la que presupuesta un equipo de agentes de voz. A una velocidad de habla normal de unas 150 palabras por minuto y aproximadamente seis caracteres por palabra, incluidos los espacios, un minuto de habla terminada ronda los 900 caracteres. Es una estimación, no una cifra de proveedor, pero se aproxima lo suficiente para ver la forma de la factura:

• Una hora de habla continua — aproximadamente 54.000 caracteres — cuesta alrededor de $0,81 en AssemblyAI-TTS-1, $4,32 en Eleven v4 y $2,16 en Eleven v4 Turbo.

• Cien mil llamadas de tres minutos —300.000 minutos, unos 270 millones de caracteres— cuestan aproximadamente $4.050 en AssemblyAI-TTS-1, $21.600 en Eleven v4 y $10.800 en Eleven v4 Turbo.

• La diferencia entre AssemblyAI-TTS-1 y Eleven v4 Turbo en esa carga de trabajo es de $6,750 al mes para un volumen de llamadas idéntico. Frente a Eleven v4, es de $17,550.

Esa es la verdadera decisión, y es aburrida: estás eligiendo si un delta de calidad vale $6,750 al mes con cien mil llamadas. Todo lo demás en este enfrentamiento tiene que ver con lo grande que es realmente ese delta.

Qué se compra con los $65 adicionales por millón de caracteres

En el panel de escucha a ciegas, eso supone una ventaja medible. El Provider Voice Arena de Artificial Analysis, consultado el 30 de octubre de 2026, clasifica a Eleven v4 Turbo en primer lugar con 1.336 Elo y a Eleven v4 en segundo con 1.334, frente a AssemblyAI-TTS-1 con 1.227 en decimocuarto lugar. Una diferencia de 107 puntos en esa escala no es ruido: los intervalos no se solapan. En el Controlled Voice Arena, que mantiene constante la grabación de referencia para que la comparación trate de la fidelidad de clonación y no de voces estándar, AssemblyAI-TTS-1 ocupa el décimo puesto con 1.110.

El resto de la brecha corresponde al inventario y a la superficie de control, y es mayor de lo que sugiere la diferencia de Elo:

• Idiomas — AssemblyAI-TTS-1 se lanzó con seis: inglés, español, francés, alemán, italiano y portugués, cada uno con múltiples acentos. Eleven v4 cubre más de 90 idiomas con acentos nativos en lugar de un hablante de inglés leyendo palabras extranjeras.

• Biblioteca de voces: más de 4.000 en AssemblyAI-TTS-1 frente a los más de 17.500 anunciados para Eleven v4.

• Clonación — clonación instantánea solo en AssemblyAI-TTS-1, a partir de una muestra que el proveedor demuestra a los 24 segundos. Eleven v4 combina la clonación instantánea desde tan solo diez segundos con Professional Voice Cloning, que regresó en v4 tras estar ausente en v3. Es posible que los clones profesionales existentes necesiten un reentrenamiento específico para v4.

• Controles — AssemblyAI-TTS-1 se lanza sin SSML, sin parámetro de velocidad, sin diccionario de pronunciación y sin etiquetas de emoción. Su publicación de lanzamiento deja claro que la puntuación y las disfluencias escritas se leen tal como están escritas y que las pausas se inducen mediante indicaciones en el texto, no mediante marcado. Eleven v4 incluye etiquetas de audio en línea apilables — [laughs], [whispers] — y un límite de 10.000 caracteres por solicitud.

• Salida y plumbing — AssemblyAI-TTS-1 se transmite por WebSocket y HTTP, expone un endpoint compatible con OpenAI, incluye marcas de tiempo por palabra, admite un mensaje de cancelación para interrumpir (barge-in) y publica agentes de referencia para LiveKit y Pipecat. Eleven v4 se comercializa a través de ElevenAPI, ElevenAgents y ElevenCreative con los IDs de modelo eleven_v4 y eleven_v4_turbo.

Lea esa lista como una declaración de producto en lugar de un marcador de puntuación. AssemblyAI creó un endpoint de TTS para una sola tarea —leer un turno de diálogo en una línea telefónica de forma rápida, correcta y a un precio fijo— y dejó deliberadamente fuera los controles de estudio. ElevenLabs siguió construyendo una plataforma de voz. Si su producto es doblaje, narración o una voz de marca que debe entrenarse y gobernarse, el endpoint de seis idiomas no entra en consideración, independientemente del precio.

Los números de latencia difieren en un factor de tres, y ambos son honestos

Esta es la parte del enfrentamiento que la mayoría de las coberturas entiende mal, en ambos sentidos. La publicación de lanzamiento de AssemblyAI cita 90 ms hasta el primer audio en producción y una mediana de 47 ms hasta el primer byte en su propia prueba de laboratorio, descrita como la más rápida de seis modelos. Su tabla comparativa directa autodeclarada sitúa a ElevenLabs Flash v2.5 en 119 ms, Cartesia Sonic 3.6 en 143 ms, Inworld TTS-2 Flash en 244 ms, Inworld TTS-2 en 280 ms y ElevenLabs v4 en 612 ms. La documentación propia de ElevenLabs afirma aproximadamente 150 ms de mediana hasta el primer audio de voz y unos 100 ms de latencia de inferencia mediana para Turbo.

Luego Cekura, una empresa independiente de pruebas, midió AssemblyAI-TTS-1 con una latencia mediana de streaming de 159 ms, el octavo de los diecinueve modelos que cronometró, con 171 ms en la mediana cuando se envía el texto completo y 296 ms en p90. Eso no contradice los 47 ms del proveedor. Es un cronómetro diferente: AssemblyAI mide desde la solicitud hasta el primer byte, y Cekura mide desde la última palabra enviada hasta la primera salida de audio. A un agente de voz que negocia un turno le importa más la segunda medición, porque el LLM primero tiene que terminar de generar la frase.

La lectura honesta es que, según la propia metodología del proveedor, AssemblyAI-TTS-1 es lo más rápido de la comparación y ElevenLabs v4 es el más lento por un amplio margen, mientras que, con una metodología independiente diseñada para agentes, AssemblyAI-TTS-1 queda en la media del grupo y tanto sus afirmaciones como las de ElevenLabs deben considerarse no verificadas para su ruta de telefonía. La única comparación de latencia que resiste el escrutinio es contra Flash v2.5, que es el SKU de ElevenLabs que existe para ganar este debate y que terceros han medido entre aproximadamente 185 y 197 ms en producción. AssemblyAI-TTS-1, con 159 ms, es más rápido que eso, a un precio 2.7× menor. Es el único punto de esta comparación en el que más barato y más rápido son la misma respuesta.

Dónde AssemblyAI-TTS-1 falla primero

No por velocidad ni por precio. Por la larga cola de cosas que dice una persona real que llama.

Los resultados por categoría de Cekura sitúan a AssemblyAI-TTS-1 en primer lugar en números de teléfono y códigos con 91,7 %, cuarto en naturalidad con 4,50 y vigésimo segundo de veintisiete en pronunciación contextual con 70,8 %. Artificial Analysis, asimismo, le otorga 81,7 % en general en robustez de pronunciación —decimosexto entre los modelos que evaluó—, con la subpuntuación más débil en expansión de abreviaturas con 73,8 %. La tabla de clasificación de Coval sitúa su tasa de error de palabras en 1,7 %, tres décimas de punto por detrás del líder y por delante de Eleven v4 Turbo y Cartesia Sonic 3.6 con 1,8 % y de Deepgram Aura-2 con 1,9 %.

Si los compara lado a lado, aparece un modo de fallo concreto: este modelo es muy bueno para leer un número en voz alta y notablemente más débil a la hora de decidir cómo debe pronunciarse una abreviatura, una dirección o un código de cuenta. Esa es precisamente la clase de error que corrige un diccionario de pronunciación, y AssemblyAI-TTS-1 aún no incluye uno. Si su agente lee identificadores de pedidos, está comprando un modelo cuya mejor característica lo cubre y cuya peor característica es justo aquello que no puede resolver mediante configuración.

La respuesta de ElevenLabs al mismo problema no son mejores puntuaciones, sino un control más fino: diccionarios, etiquetas, velocidad y un clon profesional entrenado con tu propia referencia. Estás pagando 65 $ más por millón de caracteres por la posibilidad de corregir la cola tú mismo.

La otra mitad del agente todavía está en otra factura.

Un modelo TTS nunca se ejecuta solo en un agente de voz. Se ejecuta detrás de un modelo de lenguaje que escribe la frase y, en la mayoría de las pilas, ese modelo de lenguaje es la partida más grande y la que tiene una relación con el proveedor más volátil. Esa es la capa que cubre OrcaRouter: una única API para más de 200 modelos al precio de lista del proveedor con un 0 % de margen, conmutación automática en caso de fallo cuando un proveedor se degrada, un DSL de enrutamiento para componer modelos en una sola llamada y fusión de modelos cuando una sola respuesta no es suficiente.

Dos salvedades honestas. Primero, AssemblyAI-TTS-1 no está en el catálogo de OrcaRouter hoy — las rutas de voz que ofrecemos son tts-1, tts-1-hd y gpt-4o-mini-tts de OpenAI y las vistas previas de Gemini TTS de Google — así que esto no es una promoción para comprar el modelo aquí. Segundo, y más útil: como el margen es cero y los precios de lista del proveedor se transfieren, un recorte de precio de un proveedor en cualquier modelo TTS que enrutes aparece en tu factura el mismo día, que es el mecanismo que hace que el cambio de niveles de $80 a $40 de arriba valga la pena seguir en lugar de solo leer sobre él.

Qué hacer el lunes

Tres preguntas deciden esto más rápido que cualquier benchmark.

¿Tu agente necesita hablar un idioma fuera de los seis con los que se lanzó AssemblyAI-TTS-1? Entonces la comparación ha terminado, y ha terminado por cobertura, no por calidad. Espera a que crezca la lista de idiomas o paga ElevenLabs.

¿Tu agente lee identificadores, códigos o direcciones en voz alta a un cliente? Entonces prueba AssemblyAI-TTS-1 con tus propias cadenas antes de comprometerte con él, porque las cifras independientes de pronunciación son la parte más débil de su historial y la vía de escape de configuración aún no existe. La precisión de entidades del 93,7 % del proveedor en su propio conjunto de 580 elementos — frente al 93,6 % de Eleven v4 y el 68,0 % de Flash v2.5, reportado por el proveedor y no reproducido — dice lo contrario de lo que dice la puntuación contextual de Cekura. Una de esas dos está midiendo tu carga de trabajo y no sabes cuál.

¿La voz es tuya, entrenada y gobernada? Entonces ElevenLabs, sin apenas discusión. La clonación instantánea a partir de 24 segundos produce un ID de voz utilizable; no produce un activo de marca que puedas defender.

Si las respuestas son seis idiomas, no y no —un agente telefónico a escala que lee turnos conversacionales normales— entonces AssemblyAI-TTS-1 a $15, con concurrencia ilimitada y sin tarifas de concurrencia, es la opción más barata y, según la medición independiente de latencia, la más rápida, y la brecha de calidad es de 107 Elo de preferencia a ciegas que no estás pagando $6,750 al mes para cerrar. Ponlo detrás de una ruta de conmutación por error, pruébalo con tus propias grabaciones de llamadas durante un mes y mantén Flash v2.5 configurado como respaldo para el día en que la cola de tu corpus resulte estar llena de abreviaturas.

Esa es toda la comparación. Un proveedor vende un techo y el otro vende un suelo, ambos con precios acordes, y el único error costoso posible aquí es comprar el techo para una carga de trabajo que nunca lo alcanza.