AssemblyAI-TTS-1 à 15 $ le million de caractères : le plancher tarifaire des agents vocaux vient de bouger

AssemblyAI-TTS-1 est devenu généralement disponible le 27 octobre 2026, à 15 dollars par million de caractères d’entrée, et le chiffre qui compte n’est pas celui de l’annonce : c’est celui que l’on obtient après division. À un rythme de parole normal d’environ 15 caractères par seconde, un million de caractères représente environ 18 heures d’audio finalisé, ce qui place le modèle à près de 81 cents par heure de parole. Cartesia Sonic 3.6, le leader actuel en matière de vitesse, facture 49 dollars par million de caractères, soit environ 2,70 dollars de l’heure. ElevenLabs v4 facture 80 dollars, soit environ 4,40 dollars de l’heure. Il s’agit du premier modèle de synthèse vocale autonome d’AssemblyAI — l’entreprise était un fournisseur de reconnaissance vocale jusqu’à cette semaine — et il pénètre sur un marché où le leader facture trois à cinq fois plus pour la même unité de travail.

Cette affirmation mérite une nuance immédiate, car trois parties différentes fournissent ici trois types de chiffres différents. Le prix provient du tarif publié par AssemblyAI elle-même et peut être vérifié sur sa page de tarification. Le chiffre de latence provient d'un test en laboratoire qu'AssemblyAI a mené face à cinq fournisseurs concurrents, sur 30 prompts, trois tours, quatre voix standard par modèle, une requête à la fois. Le positionnement au classement est celui d'Artificial Analysis, mesuré de manière indépendante. Là où cet article cite les évaluations de qualité d'AssemblyAI elle-même — précision des entités, MOS prédit, prosodie, similarité de clonage — celles-ci sont déclarées par le fournisseur et personne en dehors d'AssemblyAI ne les a reproduites. La seule mesure de latence véritablement indépendante disponible à ce jour pointe vers quelque chose de moins flatteur que le discours marketing, et il vaut la peine de commencer par là.

La fiche technique en un seul écran

• Prix — 15 $ par million de caractères saisis, facturés sur le texte, espaces et ponctuation compris, toutes les voix de la bibliothèque et toutes les langues incluses, sans frais par voix ni de concurrence

• Voix — plus de 4 000 dans la bibliothèque, ainsi que le clonage instantané à partir d'un court échantillon de référence (la démo a utilisé 24 secondes d'audio)

• Langues — anglais, espagnol, français, allemand, italien et portugais au lancement, plusieurs accents, aucune date donnée pour le prochain lot

• Latence — 90 ms de délai jusqu’au premier audio annoncé pour la production, que l’entreprise qualifie de prudent ; 47 ms de délai médian jusqu’au premier octet dans sa propre comparaison en laboratoire

• Débit — 162 caractères par seconde sur Artificial Analysis, devant Cartesia Sonic 3.6 à 148,6

• Interfaces — HTTP, WebSocket avec un message d'annulation pour le barge-in, et une route compatible OpenAI ; les agents de référence LiveKit et Pipecat sont livrés avec.

• Sortie — PCM, mu-law et A-law de 8 à 48 kHz, 24 kHz natif, horodatages au niveau des mots renvoyés avec l’audio

• Résidence et limites — traitement aux États-Unis ou dans l’UE au même prix, concurrence illimitée en paiement à l’usage, aucun contrat annuel ni achat de palier

• Pas encore — pas de SSML, pas de paramètre de vitesse, pas de dictionnaires de prononciation, pas de balises d'émotion, pas de clonage « pro » affiné

Deux de ces lignes ont un poids commercial plus important que les autres. La simultanéité illimitée au tarif catalogue supprime la négociation que la plupart des fournisseurs de TTS imposent aux agents vocaux à fort volume, où les paliers de simultanéité à la minute peuvent dépasser le tarif par caractère. Et une facturation qui compte les espaces et la ponctuation est honnête, mais pas sans coût : un script de 1 000 mots totalise environ 6 000 caractères une fois les espaces et les virgules inclus, de sorte que le prix effectif par mot prononcé est plus élevé qu’une comparaison naïve avec une tarification au mot ne le suggère. AssemblyAI ne le cache pas — la page de tarification le dit clairement — mais c’est le genre de détail qui transforme un écart affiché de 3x en un écart de 2,7x sur un script réel.

Pourquoi le chiffre de 47 ms pèse autant

Le billet de lancement met l'accent sur la vitesse, et le test sous-jacent est plus instructif que la plupart des comparaisons de fournisseurs, car il nomme ses concurrents et sa méthode. Temps médian jusqu'au premier octet, un seul client, requêtes séquentielles : AssemblyAI-TTS-1 à 47 ms, ElevenLabs Flash v2.5 à 119 ms, Cartesia Sonic 3.6 à 143 ms, Inworld TTS-2 Flash à 244 ms, Inworld TTS-2 à 280 ms, ElevenLabs v4 à 612 ms. Si vous acceptez ce protocole, AssemblyAI n'est pas seulement rapide : il est environ trois fois plus rapide jusqu'au premier octet que Cartesia Sonic 3.6, le modèle auquel il se compare sur le prix, et deux fois et demie plus rapide qu'ElevenLabs Flash v2.5.

Ce que la configuration ne peut pas vous dire, c'est ce qui se passe sous charge. Un client unique émettant une requête à la fois mesure le modèle, pas le service : pas de mise en file d'attente, pas de contention de concurrence, pas de chemin de démarrage à froid, pas de saut réseau entre régions. Le chiffre de 90 ms en production est la propre tentative de l'entreprise d'en tenir compte, et l'écart entre 47 et 90 ms correspond à peu près à la taille de la pénalité réelle que le test en laboratoire ne peut pas voir. Quiconque a exploité un agent vocal à grande échelle reconnaîtra là la forme standard du marketing de la latence TTS : un chiffre de laboratoire propre pour la diapositive de benchmark, un chiffre de production plus flou pour la conversation sur les tarifs, et un troisième chiffre qui n'apparaît qu'une fois que vous êtes sur un réseau public dans une région éloignée du point de terminaison.

Ce troisième chiffre existe bel et bien désormais, et il est pire. Cekura, un organisme indépendant d’évaluation d’agents vocaux, a mesuré une latence de streaming médiane de 159 ms pour AssemblyAI-TTS-1 sur son ensemble de test de phrases de style agent — le classant huitième sur dix-neuf systèmes plutôt que premier. Cekura a également attribué une précision de lecture de 81,5 %, essentiellement au niveau d’ElevenLabs v4 à 80,4 %, tout en classant AssemblyAI premier sur les numéros de téléphone et codes à 91,7 % et quatrième sur le naturel à 4,50. Lisez les deux sources ensemble et une image cohérente se dessine : AssemblyAI-TTS-1 est véritablement rapide à commencer à parler, exceptionnellement bon sur les tokens difficiles à prononcer, et pas le système le plus rapide du tableau une fois qu’un véritable parcours de streaming est en jeu.

Deux arènes Artificial Analysis, deux histoires différentes

Artificial Analysis gère deux classements TTS et ils mesurent des choses différentes. L’arène Provider Voice fait parler chaque modèle avec ses propres voix natives ; l’arène Controlled Voice force chaque modèle à utiliser les mêmes huit voix clonées. Cette distinction est l’élément le plus utile de ce lancement, car AssemblyAI-TTS-1 obtient un meilleur score sur le classement contrôlé que sur son propre catalogue.

• Provider Voice — 1 227 Elo, 12e lors de ses débuts, 1 626 apparitions évaluées. Deux jours plus tard, le tableau en direct affiche 1 227 à la 14e place : même score, rang inférieur, car deux modèles sont entrés au-dessus de lui. L’Elo est le chiffre stable ; le rang est une cible mouvante.

• Controlled Voice — 1 110 Elo, 10e pour ses débuts, 1 674 participations. Le tableau en direct affiche désormais 1 108 à la 10e place.

• Robustesse de la prononciation — 81,7 % sur 2 115 clips évalués, 16e de ce classement.

• Vitesse de génération — 162 caractères par seconde.

Un modèle qui se classe mieux parmi les voix clonées que dans sa propre bibliothèque de 4 000 voix vous dit quelque chose de précis : l’acoustique est compétitive, et le design vocal n’est pas encore le facteur différenciant. Breeze TTS 2, le leader des modèles à poids ouverts, présente exactement le schéma inverse — solide sur les voix de fournisseurs, faible sur les voix contrôlées — et c’est dans cette comparaison que les choses deviennent intéressantes. AssemblyAI a construit un catalogue vaste, bon marché et compétent ; il n’a pas encore créé de voix qui gagnent des tests d’écoute à l’aveugle sur leurs propres mérites.

La dérive du classement mérite d’être signalée pour une raison pratique. Chaque agrégateur couvrant ce lancement cite « top 12 in Provider Voice » depuis la publication d’annonce d’Artificial Analysis, et au moment où vous lirez ces lignes, le même score peut se situer à la 15e ou à la 16e place. Ce n’est pas AssemblyAI qui perd en qualité. C’est un classement où quelques points Elo couvrent cinq places, et où de nouvelles entrées arrivent presque chaque semaine. Jugez l’Elo, notez la date à laquelle vous le lisez, et ne considérez pas une chute de deux places comme une régression.

Là où les évaluations des fournisseurs semblent solides, et là où elles ne le sont pas.

AssemblyAI a publié un ensemble de chiffres plus complet que la plupart des lancements de TTS, tous issus de ses propres travaux, tous testés sur 50 voix clonées partagées, avec de l’audio généré retranscrit par son système de reconnaissance Universal-3.5 Pro. La méthodologie est sensée — faire passer l’audio par un modèle ASR est un proxy raisonnable de l’intelligibilité — et il s’agit toujours d’un test conçu et noté par le fournisseur.

• Précision des entités sur les cibles difficiles (numéros de téléphone, URL, codes de confirmation, noms de médicaments) — 93,7 % pour AssemblyAI-TTS-1, 93,6 % pour ElevenLabs v4, 82,5 % pour Cartesia Sonic 3.6, 68,0 % pour ElevenLabs Flash v2.5. Un dixième de point d’avance sur ElevenLabs v4 est une égalité qui se drape dans les habits d’une victoire ; l’écart de 11 points par rapport à Sonic 3.6 est le véritable constat.

• Précision des mots — 99,0 %, ce qui est assez proche du plafond pour cesser de discriminer entre les bons modèles.

• MOS prédit — 3,85, et ici AssemblyAI perd : Inworld TTS-2 Flash obtient 3,88 sur la même échelle, avec Cartesia Sonic 3.6 à 3,82 et les deux modèles ElevenLabs en dessous. Le tableau du fournisseur lui-même ne le place pas en tête.

• Prosodie TTSDS — 85,5, un chiffre sans base de référence inter-fournisseurs dans l'article.

• Similarité du locuteur cloné — 0,64, ce qui est faible pour un clonage instantané et cohérent avec le positionnement dans l’arène contrôlée plutôt qu’avec celui du fournisseur.

{{1}}Le résumé honnête de ce tableau est plus restrictif que le discours de lancement{{/1}} : {{2}}AssemblyAI-TTS-1{{/2}} est excellent pour traiter correctement les chaînes difficiles, compétitif sur l’intelligibilité, dans la moyenne sur le naturel, et le plus faible sur l’identité vocale lorsque vous clonez. Pour un agent vocal qui lit des numéros de compte et des codes postaux, c’est la première ligne qui est payante. Pour un livre audio narré ou une voix de personnage, ce sont les deux dernières lignes qui comptent, et ce modèle n’est pas le bon choix.

Ce qu’il ne peut pas encore faire, et ce que cela vous coûte

Les lacunes fonctionnelles sont ordinaires pour une première version et inhabituellement lourdes de conséquences pour cette catégorie. Il n'y a pas de SSML, donc aucun moyen fiable d'imposer une pause, une emphase ou une prononciation sans réécrire le texte. Il n'existe pas de paramètre de vitesse, ce qui signifie que le rythme doit être géré en amont en générant plus ou moins de mots. Il n'y a pas de dictionnaires de prononciation personnalisés, alors même que la précision des entités constitue le principal atout — lorsque le modèle prononce mal un nom de marque, vous ne pouvez pas lui fournir un lexique, vous ne pouvez que réécrire phonétiquement le texte en espérant que cela passe. Les balises d'émotion et le clonage professionnel affiné sont tous deux « bientôt disponibles », selon les propres mots du fournisseur, et le titre « émotion native » de la page de lancement détonne à côté d'une FAQ qui indique que les contrôles d'émotion dédiés ne sont pas disponibles.

La couverture linguistique est la limite la plus nette. Six langues au lancement, contre 44 pour Cartesia Sonic 3.6 et 50 revendiquées pour Breeze TTS 2 — avec la réserve que la fiche modèle de Breeze elle-même n’indique que l’anglais et le chinois. Si votre agent doit répondre à un appelant allemand et à un appelant portugais la même semaine, AssemblyAI couvre les deux. S’il lui faut le polonais, le japonais ou l’arabe, ce n’est pas le cas, et aucune date n’a été donnée.

Comment vous l'obtenez réellement

AssemblyAI-TTS-1 est servi depuis l'API propre au fournisseur — HTTP, WebSocket et un point de terminaison compatible OpenAI — avec des hôtes US et UE au même prix, plus un crédit d'inscription de 50 $ et un point de départ affiché en paiement à l'usage uniquement. Au-delà, il est disponible via plusieurs plateformes tierces. Il ne figure pas aujourd'hui au catalogue OrcaRouter, et nous n'allons pas prétendre le contraire ; si vous le voulez cette semaine, l'API du fournisseur est la voie directe.

Ce qui nous préoccupe bel et bien dans ce lancement, c’est la forme de la décision qu’il crée. Un agent vocal est un pipeline à trois modèles — reconnaissance vocale, modèle de langage, synthèse vocale — et le segment TTS est désormais celui qui présente le plus large éventail de prix et les entrants les plus récents. C’est précisément le segment où vous voulez une deuxième option intégrée avant de vous engager, car un modèle tout nouveau, avec un test de latence sur un seul client et sans test de charge indépendant, correspond exactement au type de composant qui devrait se trouver derrière un mécanisme de repli. Acheminer plus de 200 modèles via une seule API avec 0 % de marge, c’est ce que nous faisons, en répercutant le prix catalogue du fournisseur pour qu’une baisse de prix soit appliquée le jour même, et avec un basculement automatique pour qu’un après-midi difficile chez un fournisseur ne mette pas l’agent hors service. Les modèles TTS que nous acheminons aujourd’hui sont tts-1 d’OpenAI, tts-1-hd et gpt-4o-mini-tts aux côtés de Gemini 3.1 Flash TTS Preview de Google — un second segment exploitable pendant qu’AssemblyAI-TTS-1 fait ses preuves sous votre trafic plutôt que sous le sien.

Qu’est-ce qui changerait le verdict

Trois choses, par ordre d’impact sur la décision. Premièrement, une campagne indépendante de mesure de latence en conditions de concurrence réelle : le chiffre de 159 ms en streaming de Cekura est la seule mesure externe à ce jour, et il s’agit d’un chiffre unique provenant d’un seul laboratoire. Un second laboratoire qui reproduirait l’avantage de 47 ms sur le premier octet — ou qui n’y parviendrait pas — permettrait de trancher si l’argument de rapidité résiste à la confrontation avec une file d’attente. Deuxièmement, le dictionnaire de prononciation. La précision des entités est le meilleur argument du modèle, et c’est aussi la capacité la plus susceptible d’être mise en défaut en production par un nom de produit que le modèle n’a jamais vu. La mise à disposition de dictionnaires transforme une victoire en benchmark en victoire opérationnelle. Troisièmement, la question de savoir si les six langues avancent selon le même calendrier que le reste de la feuille de route, car l’avantage tarifaire ne se cumule que si la couverture rattrape son retard.

Jusqu’à ce que ceux-ci arrivent, la bonne interprétation de ce lancement est étroite et utile : AssemblyAI-TTS-1 est l’API TTS crédible la moins chère du marché, proposée par un fournisseur ayant une décennie d’infrastructure vocale derrière lui ; elle est rapide en laboratoire et suffisamment rapide dans le seul test externe qui existe ; elle lit mieux les chaînes difficiles que tout ce à quoi elle a été comparée ; elle se situe dans la moyenne pour le naturel et elle est faible sur l’identité clonée. C’est un achat convaincant pour des agents à fort volume en six langues, et un achat prématuré pour tout ce qui exige une voix distinctive.