AssemblyAI-TTS-1 במחיר 15$ למיליון תווים: רצפת המחירים של סוכני הקול פשוט זזה

AssemblyAI-TTS-1 הפך לזמין באופן כללי ב-27 באוקטובר 2026 במחיר של 15 דולר למיליון תווי קלט, והמספר החשוב אינו זה שבכותרת — אלא זה שמתקבל לאחר החלוקה. בקצב דיבור רגיל של כ-15 תווים בשנייה, מיליון תווים הם כ-18 שעות של אודיו מוגמר, מה שמעמיד את המודל על קרוב ל-81 סנט לשעת דיבור. Cartesia Sonic 3.6, המובילה הנוכחית במהירות, גובה 49 דולר למיליון תווים, או כ-2.70 דולר לשעה. ElevenLabs v4 גובה 80 דולר, או כ-4.40 דולר לשעה. זהו מודל הטקסט-לדיבור העצמאי הראשון של AssemblyAI — החברה הייתה ספקית דיבור-לטקסט עד השבוע — והוא נכנס לשוק שבו המוביל גובה פי שלושה עד חמישה יותר עבור אותה יחידת עבודה.

לטענה מגיע סייג מיידי, משום ששלושה גורמים שונים מספקים כאן שלושה סוגים שונים של מספרים. המחיר הוא מחירון התעריפים שפרסמה AssemblyAI בעצמה, וניתן לבדוק אותו בעמוד התמחור שלה. נתון השיהוי מגיע מבדיקת מעבדה ש-AssemblyAI ערכה מול חמישה ספקים מתחרים, על 30 פרומפטים, שלושה סבבים, ארבעה קולות סטנדרטיים לכל מודל, בקשה אחת בכל פעם. מיקום בלוח הדירוג הוא של Artificial Analysis, שנמדד באופן עצמאי. במקומות שבהם המאמר מצטט הערכות איכות של AssemblyAI עצמה — דיוק ישויות, MOS חזוי, פרוזודיה, דמיון שיבוט — מדובר בנתונים שמדווחים על ידי הספק, ואף אחד מחוץ ל-AssemblyAI לא שחזר אותם. מדידת השיהוי העצמאית באמת היחידה הזמינה עד כה מצביעה על משהו פחות מחמיא מהשיווק, וראוי לפתוח בזה.

דף המפרט במסך אחד

• מחיר — 15$ למיליון תווי קלט, מחויב על טקסט הכולל רווחים וסימני פיסוק, כל קולות הספרייה וכל השפות כלולים, ללא תשלום לפי קול או עבור מקביליות

• קולות — יותר מ־4,000 בספרייה, ובנוסף שיבוט מיידי מדגם ייחוס קצר (בהדגמה השתמשו ב־24 שניות של אודיו)

• שפות — אנגלית, ספרדית, צרפתית, גרמנית, איטלקית, פורטוגזית בהשקה, מבטאים מרובים, לא ניתן תאריך לאצווה הבאה

• שיהוי — 90 מ״ש זמן עד לאודיו הראשון, כפי שנמסר לייצור, ותואר על ידי החברה כשמרני; 47 מ״ש זמן חציוני עד לבייט הראשון בהשוואה במעבדה שלה

• תפוקה — 162 תווים לשנייה ב-Artificial Analysis, גבוהה יותר מ-Cartesia Sonic 3.6 שעומדת על 148.6

• ממשקים — HTTP, WebSocket עם הודעת ביטול להפסקה באמצע הדיבור, ונתיב תואם OpenAI; סוכני ייחוס של LiveKit ו-Pipecat מגיעים יחד איתו

• פלט — PCM, mu-law ו-A-law בתדרים של 8 עד 48 קילו-הרץ, 24 קילו-הרץ מקורי, חותמות זמן ברמת המילה מוחזרות יחד עם האודיו

• מיקום נתונים ומגבלות — עיבוד בארה״ב או באיחוד האירופי באותו מחיר, מקביליות ללא הגבלה במסלול תשלום לפי שימוש, ללא חוזה שנתי או רכישת מסלול

• עדיין לא — ללא SSML, ללא פרמטר מהירות, ללא מילוני הגייה, ללא תגיות רגש, וללא שיבוט "מקצועי" מכוונן

שתיים מהשורות האלה עושות עבודה מסחרית רבה יותר מהשאר. קונקונסי בלתי מוגבלת במחיר מחירון מייתרת את המשא ומתן שרוב ספקי TTS מציבים לפני סוכני קול בנפח גבוה, שבו מדרגות קונקונסי לפי דקה יכולות לעקוף את התעריף לפי תו. וחיוב שסופר גם רווחים ופיסוק הוא הוגן אך לא בחינם: תסריט של 1,000 מילים מגיע לכ-6,000 תווים כשכוללים רווחים ופסיקים, כך שהמחיר האפקטיבי למילה מדוברת גבוה ממה שהשוואה נאיבית לתמחור לפי מילה מרמזת. AssemblyAI אינה מסתירה זאת — עמוד התמחור אומר זאת בפשטות — אבל זהו סוג הפרט שהופך פער כותרת של פי 3 לפער של פי 2.7 בתסריט אמיתי.

למה למספר 47 ms יש כל כך הרבה משקל

פוסט ההשקה מוביל עם מהירות, והמבחן שמאחוריו מספק מידע רב יותר מרוב השוואות הספקים, משום שהוא נוקב בשמות המתחרים ובשיטה. חציון הזמן עד לבייט הראשון, לקוח יחיד, בקשות עוקבות: AssemblyAI-TTS-1 ב-47 מ״ש, ElevenLabs Flash v2.5 ב-119 מ״ש, Cartesia Sonic 3.6 ב-143 מ״ש, Inworld TTS-2 Flash ב-244 מ״ש, Inworld TTS-2 ב-280 מ״ש, ElevenLabs v4 ב-612 מ״ש. אם מקבלים את המערך הזה, AssemblyAI אינה רק מהירה — היא מהירה פי שלושה בערך עד לבייט הראשון מ-Cartesia Sonic 3.6, המודל שמולו היא מתמחרת, ופי שניים וחצי מ-ElevenLabs Flash v2.5.

מה שהתצורה לא יכולה לספר לך הוא מה קורה תחת עומס. לקוח יחיד ששולח בקשה אחת בכל פעם מודד את המודל, לא את השירות: אין תור, אין תחרות בין בקשות מקבילות, אין מסלול התנעה קרה, אין קפיצת רשת בין אזורים. נתון הייצור של 90 מ״ש הוא הניסיון של החברה עצמה להתחשב בכך, והפער בין 47 ל-90 מ״ש הוא בערך גודל הקנס בעולם האמיתי שבדיקת המעבדה לא יכולה לראות. כל מי שהריץ סוכן קולי בהיקף גדול יזהה את זה כצורה הסטנדרטית של שיווק השהיה ב-TTS: מספר מעבדה נקי לשקופית הבנצ׳מרק, מספר ייצור מרוכך יותר לשיחת התמחור, ומספר שלישי שמופיע רק כשאתה נמצא ברשת ציבורית באזור רחוק מנקודת הקצה.

המספר השלישי הזה אכן קיים כעת, והוא גרוע יותר. Cekura, גוף עצמאי להערכת סוכני קול, מדד השהיית סטרימינג חציונית של 159 מ"ש עבור AssemblyAI-TTS-1 על פני מערך המבחנים שלו של משפטים בסגנון סוכני — מה שמציב אותו שמיני מתוך תשע-עשרה מערכות ולא ראשון. Cekura גם דירג את דיוק הקריאה ב-81.5%, כמעט זהה ל-ElevenLabs v4 עם 80.4%, בעוד שדירג את AssemblyAI ראשון במספרי טלפון ובקודים עם 91.7% ורביעי בטבעיות עם 4.50. קריאת שני המקורות יחד יוצרת תמונה עקבית: AssemblyAI-TTS-1 אכן מהיר להתחיל לדבר, טוב באופן יוצא דופן באסימונים קשים להגייה, ואינו הדבר המהיר ביותר בטבלה ברגע שמסלול סטרימינג אמיתי נכנס לתמונה.

שתי זירות של Artificial Analysis, שני סיפורים שונים

Artificial Analysis מפעילה שני לוחות TTS, והם מודדים דברים שונים. ב-Provider Voice arena כל מודל מדבר בקולות המקוריים שלו; ב-Controlled Voice arena כל מודל מאולץ להשתמש באותם שמונה קולות משוכפלים. ההבחנה הזו היא הדבר השימושי ביותר בהשקה הזו, כי AssemblyAI-TTS-1 מקבל ציון טוב יותר בלוח המבוקר מאשר בקטלוג הקולות שלו.

• Provider Voice — 1,227 Elo, מקום 12 בהופעת הבכורה, 1,626 הופעות מדורגות. יומיים לאחר מכן הלוח החי מציג 1,227 במקום ה-14: אותו ניקוד, דירוג נמוך יותר, כי שני מודלים נכנסו מעליו בדירוג. Elo הוא המספר היציב; הדירוג הוא מטרה נעה.

• Controlled Voice — 1,110 Elo, מקום 10 בהופעת הבכורה, 1,674 הופעות. הלוח החי מציג כעת 1,108 במקום ה-10.

• חוסן ההגייה — 81.7% מבין 2,115 קטעים מדורגים, מקום 16 בטבלה הזו.

• מהירות יצירה — 162 תווים לשנייה.

מודל שמדורג גבוה יותר בקרב קולות משובטים מאשר בקרב ספריית 4,000 הקולות שלו אומר לך משהו ספציפי: האקוסטיקה תחרותית, ועיצוב הקול עדיין אינו גורם המבדל. Breeze TTS 2, מוביל המשקולות הפתוחות, מציג דפוס הפוך בדיוק — חזק בקולות של ספקים, חלש בקולות נשלטים — וההשוואה הזו היא המקום שבו זה נעשה מעניין. AssemblyAI בנתה קטלוג רחב, זול ומוכשר; היא עדיין לא בנתה קולות שזוכים במבחני האזנה עיוורים בזכות עצמם.

סחיפת הדירוג ראויה לציון מסיבה מעשית. כל אגרגטור שמסקר את ההשקה הזו מצטט את „12 המובילים ב-Provider Voice” מתוך פוסט ההכרזה של Artificial Analysis, ובזמן שתקראו את זה אותו ציון עשוי כבר לשבת במקום ה-15 או ה-16. זה לא ש-AssemblyAI מאבדת מאיכותה. זהו לוח דירוג שבו כמה נקודות Elo משתרעות על פני חמישה מקומות, ושבו ערכים חדשים מגיעים כמעט בכל שבוע. שפטו לפי ה-Elo, ציינו את התאריך שבו קראתם אותו, ואל תתייחסו לירידה של שני מקומות כאל רגרסיה.

היכן שהערכות הספק נראות חזקות, והיכן שהן לא

AssemblyAI פרסמה סט מלא יותר של נתונים מרוב השקות TTS, כולם פרי עבודתה שלה, כולם נבדקו על 50 קולות משובטים משותפים כאשר האודיו שנוצר תומלל בחזרה באמצעות מזהה Universal-3.5 Pro שלה. המתודולוגיה הגיונית — העברת אודיו הלוך ושוב דרך מודל ASR היא מדד עקיף סביר למובנות — ועדיין מדובר במבחן שהספק עיצב ודירג.

• דיוק יישויות במטרות קשות (מספרי טלפון, כתובות URL, קודי אישור, שמות תרופות) — 93.7% עבור AssemblyAI-TTS-1, 93.6% עבור ElevenLabs v4, 82.5% עבור Cartesia Sonic 3.6, 68.0% עבור ElevenLabs Flash v2.5. יתרון של עשירית הנקודה על ElevenLabs v4 הוא תיקו העוטה על עצמו את בגדיו של ניצחון; הפער של 11 נקודות מול Sonic 3.6 הוא הממצא האמיתי.

• דיוק מילים — 99.0%, שקרוב מספיק לתקרה עד שהוא מפסיק להבדיל בין מודלים טובים.

• MOS חזוי — 3.85, וכאן AssemblyAI מפסידה: Inworld TTS-2 Flash מקבל ציון 3.88 באותו סולם, כאשר Cartesia Sonic 3.6 ב-3.82 ושני דגמי ElevenLabs מתחתיהם. הטבלה של הספק עצמו לא מציבה אותו במקום הראשון.

• פרוזודיה של TTSDS — 85.5, נתון ללא בסיס השוואתי חוצה ספקים בפוסט.

• דמיון הדובר המשובט — 0.64, שהוא נמוך עבור שיבוט מיידי ותואם למיקום ב"זירה המבוקרת" ולא לזה של הספק.

הסיכום הכנה של הטבלה הזו צר יותר מאשר נוסח ההשקה: AssemblyAI-TTS-1 מצוין בהתמודדות נכונה עם מחרוזות קשות, תחרותי במובנות, באמצע הדירוג בטבעיות, והחלש ביותר בזהות הקול כשמשכפלים קול. עבור סוכן קולי שקורא מספרי חשבון ומיקודים, השורה הראשונה היא זו שמחזירה את ההשקעה. עבור ספר שמע בקריינות או קול דמות, שתי השורות האחרונות הן החשובות, והמודל הזה אינו הבחירה.

מה שהוא עדיין לא יכול לעשות, ומה זה עולה לך

הפערים בתכונות הם שגרתיים עבור מהדורה ראשונה ובעלי השלכות יוצאות דופן לקטגוריה הזו. אין SSML, ולכן אין דרך מהימנה לכפות השהיה, הדגשה או הגייה בלי לשכתב את הטקסט. אין פרמטר מהירות, כלומר את הקצב יש לנהל במעלה הזרם על ידי יצירת יותר או פחות מילים. אין מילוני הגייה מותאמים אישית, למרות שדיוק הישויות הוא יתרון הדגל — כשהמודל טועה בהגיית שם מותג, לא ניתן לתת לו לקסיקון, ואפשר רק לאיית את הטקסט מחדש ולקוות. תגיות רגש ושיבוט מקצועי מכוונן הם שניהם "בקרוב" בלשונו של הספק, והכותרת "רגש מקורי" בעמוד ההשקה יושבת באופן מוזר לצד שאלות נפוצות שאומרות שבקרות רגש ייעודיות אינן זמינות.

כיסוי השפות הוא המגבלה החריפה יותר. שש שפות בהשקה לעומת 44 עבור Cartesia Sonic 3.6 ו-50 לכאורה עבור Breeze TTS 2 — עם הסתייגות שכרטיס המודל של Breeze עצמו מתייג רק אנגלית וסינית. אם הסוכן שלך צריך לענות לטלפן גרמני ולטלפן פורטוגזי באותו שבוע, AssemblyAI מכסה את שניהם. אם הוא צריך פולנית, יפנית או ערבית, הוא לא מכסה אותן, ולא פורסם תאריך.

איך בעצם משיגים את זה

AssemblyAI-TTS-1 מוגש מה-API של הספק עצמו — HTTP, WebSocket ונקודת קצה תואמת OpenAI — עם שרתים בארה״ב ובאיחוד האירופי באותו מחיר, בתוספת זיכוי הרשמה של 50 דולר ונקודת מוצא מוצהרת של תשלום לפי שימוש בלבד. מעבר לכך, הוא זמין דרך כמה פלטפורמות צד שלישי. הוא אינו נמצא בקטלוג של OrcaRouter נכון להיום, ואנחנו לא מתכוונים להעמיד פנים שכן; אם אתם רוצים אותו השבוע, ה-API של הספק הוא הדרך הישירה.

החלק בהשקה הזו שכן מדאיג אותנו הוא צורת ההחלטה שהיא יוצרת. סוכן קולי הוא צינור של שלושה מודלים — זיהוי דיבור, מודל שפה, סינתזת דיבור — ורגל ה-TTS היא כעת זו עם פער המחירים הרחב ביותר והמצטרפים החדשים ביותר. זו בדיוק הרגל שבה תרצו אפשרות שנייה מחוברת לפני שאתם מתחייבים, כי מודל חדש לגמרי עם בדיקת השהיה של לקוח יחיד ובלי בדיקות עומס עצמאיות הוא ההגדרה של רכיב שצריך לשבת מאחורי מנגנון גיבוי. ניתוב של יותר מ-200 מודלים דרך API אחד עם תוספת של 0% הוא מה שאנחנו עושים, כאשר מחיר המחירון של הספק מועבר כמו שהוא כך שהורדת מחיר מגיעה באותו יום, ומעבר אוטומטי לגיבוי כך שאחר צהריים רע אצל ספק אחד לא מפיל את הסוכן. מודלי ה-TTS שאנחנו מנתבים היום הם ה-tts-1 של OpenAI, tts-1-hd ו-gpt-4o-mini-tts לצד Gemini 3.1 Flash TTS Preview של Google — רגל שנייה ישימה בזמן ש-AssemblyAI-TTS-1 מוכיח את עצמו תחת התעבורה שלכם ולא תחת זו שלו.

מה היה משנה את פסק הדין

שלושה דברים, לפי סדר מידת ההשפעה שלהם על ההחלטה. ראשית, הרצת מדידת השהיה עצמאית תחת מקביליות אמיתית: נתון הסטרימינג של Cekura — 159 ms — הוא המדידה החיצונית היחידה עד כה, והוא מספר בודד ממעבדה בודדת. מעבדה שנייה שתשחזר את יתרון 47 ms בבייט הראשון — או שלא תצליח — תכריע אם טענת המהירות מחזיקה מעמד במפגש עם תור. שנית, מילון ההגייה. דיוק הישויות הוא הטיעון הטוב ביותר של המודל, והוא גם היכולת שסביר ביותר שתיפגע בסביבת ייצור בשל שם מוצר שהמודל מעולם לא ראה. הפצת מילונים הופכת ניצחון בבנצ׳מרק לניצחון תפעולי. שלישית, האם שש השפות יתפתחו לפי אותו לוח זמנים כמו שאר מפת הדרכים, מפני שיתרון המחיר רק מצטבר אם הכיסוי ידביק את הפער.

עד שאלה יגיעו, הקריאה הנכונה של ההשקה הזו היא צרה ושימושית: AssemblyAI-TTS-1 הוא ה-API האמין והזול ביותר ל-TTS בשוק, מספק עם עשור של תשתיות דיבור מאחוריו; הוא מהיר במעבדה ומהיר מספיק במבחן החוץ היחיד שקיים; הוא מקריא מחרוזות קשות טוב יותר מכל דבר שאליו הושווה; והוא בינוני בטבעיות וחלש בזהות משובטת. זו קנייה חזקה לסוכנים בנפח גבוה בשש שפות, וקנייה מוקדמת מדי לכל דבר שזקוק לקול ייחודי.