AssemblyAI-TTS-1 vs ElevenLabs Eleven v4 : ce qu’apporte un tarif 5,3× moins cher, et ce que cela coûte

AssemblyAI-TTS-1 coûte 15 $ par million de caractères. ElevenLabs Eleven v4 coûte 80 $. Ce ratio — 5,3× — est le chiffre que chaque titre consacré à cette confrontation met en avant, et c’est le chiffre le moins utile de tous, car le modèle que l’on mettrait réellement derrière un agent téléphonique n’est pas Eleven v4. C’est Eleven v4 Turbo, à 40 $ par million de caractères, ou Flash v2.5, également à 40 $. Face à ceux-là, la réduction est de 2,7×, et face à Flash v2.5 — le frère à faible latence qu’ElevenLabs vend exactement pour cette tâche — AssemblyAI-TTS-1 ne combat pas du tout un acteur historique. Les deux sont sortis au cours des cinq dernières semaines. Les deux ont été conçus pour le même client. L’un des deux paie pour un plafond de qualité que l’autre a décidé de ne pas viser.

Le tableau des prix fait plus de travail que le tableau de référence.

AssemblyAI-TTS-1 est devenue généralement disponible le 27 octobre 2026, les chiffres d’évaluation ayant été publiés un jour plus tard. Sa grille tarifaire est étonnamment uniforme : 15 $ par million de caractères d’entrée, espaces et ponctuation compris, et ce tarif unique couvre toutes les voix de la bibliothèque de plus de 4 000 voix, toutes les langues de lancement, le clonage vocal instantané, les horodatages de mots et le traitement aux États-Unis ou dans l’UE. Aucuns frais par voix, aucun palier de simultanéité, aucun contrat annuel, et le fournisseur affirme que le prix par caractère est le même que vous exécutiez dix appels simultanés ou dix mille.

La grille tarifaire d’ElevenLabs est échelonnée par modèle. Eleven v4, annoncé le 28 septembre 2026, est affiché à 0,08 $ pour mille caractères — 80 $ par million. Eleven v4 Turbo et Flash v2.5 sont tous deux affichés à 0,04 $ pour mille caractères, soit 40 $ par million. Une promotion de lancement a réduit le prix de v4 de 72 % jusqu’au 12 octobre 2026 ; cette fenêtre est désormais close, donc les 80 $ correspondent maintenant au montant qui vous serait réellement facturé.

Traduisez les deux dans l’unité utilisée pour le budget par une équipe d’agents vocaux. À un débit de parole normal d’environ 150 mots par minute et avec environ six caractères par mot, espaces comprises, une minute de parole finalisée représente environ 900 caractères. C’est une estimation, pas un chiffre de fournisseur, mais elle est suffisamment proche pour se faire une idée de la facture :

• Une heure de parole continue — environ 54 000 caractères — coûte environ 0,81 $ sur AssemblyAI-TTS-1, 4,32 $ sur Eleven v4 et 2,16 $ sur Eleven v4 Turbo.

• Cent mille appels de trois minutes — 300 000 minutes, environ 270 millions de caractères — coûtent environ 4 050 $ sur AssemblyAI-TTS-1, 21 600 $ sur Eleven v4 et 10 800 $ sur Eleven v4 Turbo.

• La différence entre AssemblyAI-TTS-1 et Eleven v4 Turbo sur cette charge de travail est de 6 750 $ par mois pour un volume d’appels identique. Par rapport à Eleven v4, elle s’élève à 17 550 $.

C’est la vraie décision, et elle est banale : vous choisissez si un écart de qualité vaut 6 750 $ par mois pour cent mille appels. Tout le reste dans cette confrontation porte sur l’ampleur réelle de cet écart.

Ce que permettent les 65 $ supplémentaires par million de caractères

Sur le tableau d’écoute à l’aveugle, cela procure un avantage mesurable. Le Provider Voice Arena d’Artificial Analysis, relevé au 30 octobre 2026, classe Eleven v4 Turbo premier avec 1 336 Elo et Eleven v4 deuxième avec 1 334, face à AssemblyAI-TTS-1 à 1 227 en quatorzième position. Un écart de 107 points sur cette échelle n’est pas du bruit : les intervalles ne se chevauchent pas. Dans le Controlled Voice Arena, qui maintient constant l’enregistrement de référence afin que la comparaison porte sur la fidélité du clonage plutôt que sur des voix standard, AssemblyAI-TTS-1 se classe dixième avec 1 110.

Le reste de l’écart tient à l’inventaire et à la surface de contrôle, et il est plus grand que ne le suggère la différence Elo :

• Langues — AssemblyAI-TTS-1 a été lancé avec six langues : l’anglais, l’espagnol, le français, l’allemand, l’italien et le portugais, chacune avec plusieurs accents. Eleven v4 couvre plus de 90 langues avec des accents natifs plutôt qu’un anglophone lisant des mots étrangers.

• Bibliothèque de voix — plus de 4 000 sur AssemblyAI-TTS-1, contre plus de 17 500 annoncées pour Eleven v4.

• Clonage — clonage instantané uniquement sur AssemblyAI-TTS-1, à partir d’un échantillon que le fournisseur présente à 24 secondes. Eleven v4 associe le clonage instantané à partir de seulement dix secondes au Professional Voice Cloning, revenu dans la v4 après avoir été absent de la v3. Les clones professionnels existants peuvent nécessiter un réentraînement spécifique à la v4.

• Contrôles — AssemblyAI-TTS-1 est livré sans SSML, sans paramètre de vitesse, sans dictionnaire de prononciation et sans balises d’émotion. Son article de lancement précise explicitement que la ponctuation et les disfluences écrites sont lues telles quelles et que les pauses sont induites par le prompt, et non par le balisage. Eleven v4 est livré avec des balises audio en ligne empilables — [laughs], [whispers] — et une limite de requête de 10 000 caractères.

• Sortie et infrastructure — AssemblyAI-TTS-1 diffuse en flux via WebSocket et HTTP, expose un endpoint compatible OpenAI, fournit des horodatages par mot, prend en charge un message d’annulation pour le barge-in, et publie des agents de référence LiveKit et Pipecat. Eleven v4 est commercialisé via ElevenAPI, ElevenAgents et ElevenCreative sous les identifiants de modèle eleven_v4 et eleven_v4_turbo.

Lisez cette liste comme une déclaration produit plutôt que comme un tableau de scores. AssemblyAI a conçu un point de terminaison TTS pour un seul objectif — transformer une réplique de dialogue en audio sur une ligne téléphonique, rapidement, correctement et à prix fixe — et a volontairement laissé de côté les commandes de studio. ElevenLabs a continué de bâtir une plateforme vocale. Si votre produit est du doublage, de la narration ou une voix de marque qui doit être entraînée et gouvernée, le point de terminaison à six langues n’est pas dans la course, quel que soit le prix.

Les chiffres de latence diffèrent d’un facteur trois, et les deux sont honnêtes.

C’est l’aspect de cette comparaison que la plupart des analyses ratent, dans les deux sens. L’article de lancement d’AssemblyAI cite 90 ms jusqu’au premier audio en production et une médiane de 47 ms jusqu’au premier octet dans son propre test en laboratoire, décrit comme le plus rapide de six modèles. Son tableau comparatif autodéclaré place 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 et ElevenLabs v4 à 612 ms. La documentation d’ElevenLabs revendique elle-même environ 150 ms de temps médian jusqu’à la première parole et environ 100 ms de latence d’inférence médiane pour Turbo.

Ensuite, Cekura, une société de tests indépendante, a mesuré AssemblyAI-TTS-1 à 159 ms de latence médiane en streaming, soit le huitième des dix-neuf modèles qu'elle a chronométrés, avec 171 ms en médiane lorsque le texte complet est envoyé et 296 ms au p90. Ce n'est pas en contradiction avec les 47 ms du fournisseur. C'est un chronomètre différent : AssemblyAI mesure du moment de la requête au premier octet, Cekura mesure du dernier mot envoyé à la première sortie audio. Un agent vocal qui négocie un tour de parole se soucie davantage de la seconde mesure, car le LLM doit d'abord finir de générer la phrase.

Donc, l'interprétation honnête, c'est que, selon la méthodologie propre au fournisseur, AssemblyAI-TTS-1 est l'élément le plus rapide de la comparaison et ElevenLabs v4 le plus lent, et de loin, tandis que, selon une méthodologie indépendante représentative d'un agent, AssemblyAI-TTS-1 se situe en milieu de tableau et que ses affirmations comme celles d'ElevenLabs doivent être considérées comme non vérifiées pour votre parcours téléphonique. La seule comparaison de latence qui résiste à l'examen est celle avec Flash v2.5, la référence ElevenLabs qui existe précisément pour gagner ce débat et que des tiers ont mesurée entre environ 185 et 197 ms en production. AssemblyAI-TTS-1, à 159 ms, est plus rapide, et à un prix 2,7× inférieur. C'est le seul point de cette confrontation où moins cher et plus rapide mènent à la même réponse.

Là où AssemblyAI-TTS-1 échoue en premier

Ni sur la vitesse, ni sur le prix. Sur la longue traîne de ce que dit un véritable appelant.

Les résultats par catégorie de Cekura placent AssemblyAI-TTS-1 en première position pour les numéros de téléphone et les codes, à 91,7 %, en quatrième position pour le naturel, à 4,50, et en vingt-deuxième position sur vingt-sept pour la prononciation contextuelle, à 70,8 %. Artificial Analysis lui attribue également une note globale de 81,7 % sur la robustesse de la prononciation — seizième parmi les modèles évalués — avec la sous-note la plus faible pour l’expansion des abréviations, à 73,8 %. Le classement de Coval situe son taux d’erreur de mot à 1,7 %, à trois dixièmes de point derrière le leader et devant Eleven v4 Turbo et Cartesia Sonic 3.6 à 1,8 % et Deepgram Aura-2 à 1,9 %.

Mettez ces éléments côte à côte et un mode de défaillance précis apparaît : ce modèle est très bon pour lire un nombre à voix haute et nettement moins performant pour décider comment une abréviation, une adresse ou un code de compte doit être prononcé. C’est précisément la catégorie d’erreur qu’un dictionnaire de prononciation corrige, et AssemblyAI-TTS-1 n’en fournit pas encore. Si votre agent lit des identifiants de commande, vous achetez un modèle dont la meilleure caractéristique couvre ce cas et dont la pire caractéristique est ce que vous ne pouvez pas contourner par la configuration.

La réponse d'ElevenLabs au même problème ne réside pas dans de meilleurs scores, mais dans un contrôle plus fin : dictionnaires, balises, vitesse et un clone professionnel entraîné sur votre propre référence. Vous payez 65 $ de plus par million de caractères pour pouvoir corriger vous-même la queue.

L'autre moitié de l'agent est toujours sur une facture différente.

Un modèle TTS ne fonctionne jamais seul dans un agent vocal. Il s'exécute derrière un modèle de langage qui écrit la phrase, et dans la plupart des architectures, ce modèle de langage constitue le poste de coût le plus important et celui dont la relation avec le fournisseur est la plus instable. C'est la couche que couvre OrcaRouter : une API unique pour plus de 200 modèles au prix catalogue du fournisseur, avec 0 % de marge, un basculement automatique en cas de dégradation d'un fournisseur, un DSL de routage permettant de composer des modèles en un seul appel, et la fusion de modèles lorsqu'une seule réponse ne suffit pas.

Deux réserves honnêtes. Premièrement, AssemblyAI-TTS-1 ne figure pas aujourd'hui au catalogue d'OrcaRouter — les routes vocales que nous proposons sont tts-1, tts-1-hd et gpt-4o-mini-tts d'OpenAI, ainsi que les aperçus Gemini TTS de Google — donc il ne s'agit pas ici d'un argument de vente pour acheter ce modèle. Deuxièmement, et plus utile encore : comme la marge est nulle et que les prix catalogue des fournisseurs sont répercutés, une baisse de prix décidée par un fournisseur sur le modèle TTS que vous routez effectivement s'affiche sur votre facture le jour même, ce qui est le mécanisme qui fait que le changement de palier de 80 $ à 40 $ ci-dessus mérite d'être suivi plutôt que simplement lu.

Que faire lundi

Trois questions permettent de trancher plus rapidement que n’importe quel benchmark.

Votre agent doit-il parler une langue en dehors des six avec lesquelles AssemblyAI-TTS-1 a été lancé ? Dans ce cas, la comparaison s'arrête là, et c'est sur la couverture qu'elle s'arrête, pas sur la qualité. Attendez que la liste des langues s'allonge, ou payez ElevenLabs.

Votre agent lit-il à voix haute des identifiants, des codes ou des adresses à un client ? Alors testez AssemblyAI-TTS-1 sur vos propres chaînes avant de vous engager, car les chiffres de prononciation indépendants constituent le point le plus faible de son bilan et l’échappatoire de configuration n’existe pas encore. La précision d’entités de 93,7 % du fournisseur sur son propre jeu de 580 éléments — contre 93,6 % pour Eleven v4 et 68,0 % pour Flash v2.5, rapportés par le fournisseur et non reproduits — dit l’inverse de ce que dit le score contextuel de Cekura. L’un de ces deux mesure votre charge de travail et vous ne savez pas lequel.

La voix est-elle la vôtre, entraînée et gouvernée ? Alors ElevenLabs, sans vraiment de débat. Le clonage instantané à partir de 24 secondes produit un ID de voix utilisable ; il ne produit pas un actif de marque que vous pouvez défendre.

Si les réponses sont six langues, non et non — un agent téléphonique à grande échelle lisant des tours de conversation ordinaires — alors AssemblyAI-TTS-1 à 15 $ avec une concurrence illimitée et sans frais de concurrence est l'option la moins chère et, selon la mesure indépendante de latence, la plus rapide, et l'écart de qualité est de 107 Elo de préférence aveugle que vous ne payez pas 6 750 $ par mois pour combler. Placez-le derrière un chemin de basculement, faites-le tourner sur vos propres enregistrements d'appels pendant un mois, et gardez Flash v2.5 connecté comme solution de repli pour le jour où la queue de votre corpus s'avérera pleine d'abréviations.

C'est toute la comparaison. Un fournisseur vend un plafond et l'autre vend un plancher, tous deux facturés en conséquence, et la seule erreur coûteuse possible ici est d'acheter le plafond pour une charge de travail qui ne l'atteint jamais.