AssemblyAI-TTS-1 לעומת ElevenLabs Eleven v4: מה קונים בזול יותר פי 5.3, ומה זה עולה

AssemblyAI-TTS-1 עולה $15 למיליון תווים. ElevenLabs Eleven v4 עולה $80. היחס הזה — 5.3× — הוא המספר שכל כותרת על ההשוואה נפתחת בו, והוא המספר הכי פחות שימושי בכל הסיפור, כי המודל שבאמת תציב מאחורי סוכן טלפוני הוא לא Eleven v4. אלא Eleven v4 Turbo, במחיר $40 למיליון תווים, או Flash v2.5, גם ב-$40. לעומתם, ההנחה היא 2.7×, ולעומת Flash v2.5 — האח בעל ההשהיה הנמוכה שאותו ElevenLabs מוכרת בדיוק למשימה הזו — AssemblyAI-TTS-1 לא נלחם כלל בשחקן ותיק. שניהם הושקו בחמשת השבועות האחרונים. שניהם נבנו עבור אותו לקוח. אחד מהם משלם על תקרת איכות שהשני החליט לא להתחרות עליה.

טבלת המחירים עושה יותר עבודה מאשר טבלת הבנצ'מרק.

AssemblyAI-TTS-1 הפך לזמין באופן כללי ב-27 באוקטובר 2026, ונתוני ההערכה פורסמו יום לאחר מכן. כרטיס התעריפים שלו שטוח באופן יוצא דופן: 15 דולר למיליון תווי קלט, כולל רווחים וסימני פיסוק, ותעריף יחיד זה מכסה כל קול בספרייה של יותר מ-4,000 קולות, כל שפת השקה, שיבוט קול מיידי, חותמות זמן של מילים, ועיבוד בארה״ב או באיחוד האירופי. אין עמלות לפי קול, אין דרגות מקבילות, אין חוזה שנתי, והספק אומר שמחיר לפי תו זהה בין אם מריצים עשרה שיחות במקביל או עשרת אלפים.

כרטיס התעריפים של ElevenLabs מדורג לפי דגם. Eleven v4, שהוכרז ב-28 בספטמבר 2026, מופיע במחיר של $0.08 לאלף תווים — $80 למיליון. גם Eleven v4 Turbo וגם Flash v2.5 מופיעים במחיר של $0.04 לאלף תווים, או $40 למיליון. מבצע השקה הוריד את מחיר v4 ב-72% עד 12 באוקטובר 2026; החלון הזה נסגר, כך שה-$80 הוא כעת הסכום שיחויב ממך בפועל.

תרגם את שניהם ליחידה שצוות סוכני קול מתקצב בה. בקצב דיבור רגיל של כ-150 מילים בדקה ובאורך ממוצע של כשש תווים למילה כולל רווחים, דקה של דיבור מוגמר היא בסביבות 900 תווים. זו הערכה, לא נתון של ספק, אבל היא קרובה מספיק כדי לראות את צורת החשבון:

• שעה אחת של דיבור רציף — כ-54,000 תווים — עולה בערך $0.81 ב-AssemblyAI-TTS-1, $4.32 ב-Eleven v4, ו-$2.16 ב-Eleven v4 Turbo.

• מאה אלף שיחות של שלוש דקות — 300,000 דקות, כ-270 מיליון תווים — עולות כ-4,050 דולר ב-AssemblyAI-TTS-1, 21,600 דולר ב-Eleven v4, ו-10,800 דולר ב-Eleven v4 Turbo.

• ההפרש בין AssemblyAI-TTS-1 ל-Eleven v4 Turbo בעומס העבודה הזה הוא 6,750 דולר לחודש עבור נפח שיחות זהה. לעומת Eleven v4 מדובר ב-17,550 דולר.

זו ההחלטה האמיתית, והיא משעממת: אתה בוחר אם פער איכות שווה $6,750 לחודש במאה אלף שיחות. כל השאר בהשוואה הזו עוסק בשאלה כמה גדול הפער הזה באמת.

מה מקבלים תמורת 65 הדולרים הנוספים לכל מיליון תווים

על לוח ההאזנה העיוורת, זה קונה כמות מדידה. Provider Voice Arena של Artificial Analysis, כפי שנקרא ב-30 באוקטובר 2026, מדרג את Eleven v4 Turbo ראשון עם 1,336 Elo ואת Eleven v4 שני עם 1,334, לעומת AssemblyAI-TTS-1 עם 1,227 במקום הארבעה־עשר. פער של 107 נקודות בסולם הזה אינו רעש — הרווחים אינם חופפים. ב-Controlled Voice Arena, שמחזיק את הקלטת הייחוס קבועה כך שההשוואה עוסקת בנאמנות השיבוט ולא בקולות המלאי, AssemblyAI-TTS-1 נמצא במקום העשירי עם 1,110.

שאר הפער הוא מלאי ומשטח שליטה, והוא גדול יותר ממה שהפרש ה-Elo מרמז:

• שפות — AssemblyAI-TTS-1 הושק עם שש שפות: אנגלית, ספרדית, צרפתית, גרמנית, איטלקית ופורטוגזית, עם כמה מבטאים לכל אחת. Eleven v4 מכסה יותר מ-90 שפות עם מבטאים ילידיים ולא דובר אנגלית שמקריא מילים זרות.

• ספריית קולות — יותר מ-4,000 ב-AssemblyAI-TTS-1 לעומת יותר מ-17,500 המוצגים בפרסומים עבור Eleven v4.

• שיבוט — שיבוט מיידי רק ב-AssemblyAI-TTS-1, מדגם שהספק מדגים ב-24 שניות. Eleven v4 משלבת שיבוט מיידי מהקצר בעשר שניות בלבד עם Professional Voice Cloning, שחזר ב-v4 לאחר שנעדר מ-v3. ייתכן ששיבוטים מקצועיים קיימים יזדקקו לאימון מחדש ייעודי ל-v4.

• בקרות — AssemblyAI-TTS-1 מגיע ללא SSML, ללא פרמטר מהירות, ללא מילון הגייה וללא תגיות רגש. בפוסט ההשקה שלו נאמר במפורש שפיסוק ואי־רציפויות כתובות נקראים כפי שנכתבו, ושהפסקות מושרות באמצעות פרומפטים, לא באמצעות סימון. Eleven v4 מגיע עם תגיות אודיו מוטמעות הניתנות לערימה — [laughs], [whispers] — ומגבלת בקשה של 10,000 תווים.

• פלט ותשתית — AssemblyAI-TTS-1 זורם דרך WebSocket ו-HTTP, חושף נקודת קצה תואמת ל-OpenAI, מספק חותמות זמן ברמת מילה, תומך בהודעת ביטול לצורך barge-in, ומפרסם סוכני ייחוס של LiveKit ו-Pipecat. Eleven v4 נמכר דרך ElevenAPI, ElevenAgents ו-ElevenCreative תחת מזהי המודל eleven_v4 ו-eleven_v4_turbo.

קרא את הרשימה הזו כהצהרת מוצר ולא כלוח תוצאות. AssemblyAI בנתה נקודת קצה ל-TTS למשימה אחת — להשמיע תור דיאלוג לקו טלפון במהירות, בדיוק ובמחיר קבוע — ובכוונה השאירה בחוץ את בקרות האולפן. ElevenLabs המשיכה לבנות פלטפורמת קול. אם המוצר שלך הוא דיבוב, קריינות, או קול מותג שצריך לאמן ולנהל, נקודת הקצה בת שש השפות לא מתמודדת, ללא קשר למחיר.

מספרי ההשהיה חולקים זה על זה פי שלושה, ושניהם כנים

זה החלק בהשוואה שרוב הסיקור טועה בו, בשני הכיוונים. פוסט ההשקה של AssemblyAI מצטט 90 מ"ש עד לאודיו הראשון בייצור ו-47 מ"ש זמן חציוני עד לבייט הראשון בבדיקת המעבדה שלה, שתוארה כמהירה מבין שישה מודלים. הטבלה המדווחת על ידה מציבה את ElevenLabs Flash v2.5 על 119 מ"ש, את Cartesia Sonic 3.6 על 143 מ"ש, את Inworld TTS-2 Flash על 244 מ"ש, את Inworld TTS-2 על 280 מ"ש, ואת ElevenLabs v4 על 612 מ"ש. התיעוד של ElevenLabs עצמה טוען לזמן חציוני של כ-150 מ"ש עד לדיבור הראשון ולזמן השהיית הסקה חציוני של כ-100 מ"ש עבור Turbo.

לאחר מכן, Cekura, חברת בדיקות עצמאית, מדדה את AssemblyAI-TTS-1 כבעל השהיית סטרימינג חציונית של 159 מ״ש — במקום השמיני מבין תשעה־עשר המודלים שהיא מדדה — עם 171 מ״ש בחציון כאשר נשלח הטקסט המלא, ו־296 מ״ש באחוזון ה־90. אין בכך סתירה ל־47 המ״ש של הספק. זהו שעון עצר אחר: AssemblyAI מודדת מהבקשה עד הבייט הראשון, ו־Cekura מודדת מהמילה האחרונה שנשלחה עד האודיו הראשון שיוצא. סוכן קולי שמנהל סבב שיחה מתעניין יותר במדידה השנייה, מפני שה־LLM חייב לסיים לייצר את המשפט קודם.

אז הקריאה הכנה היא שלפי המתודולוגיה של הספק עצמו, AssemblyAI-TTS-1 הוא הדבר המהיר ביותר בהשוואה ו-ElevenLabs v4 הוא האיטי ביותר בפער גדול, בעוד שלפי מתודולוגיה עצמאית בדמות סוכן, AssemblyAI-TTS-1 נופל לאמצע החבורה וגם ההצהרות שלו וגם ההצהרות של ElevenLabs צריכות להיחשב כלא מאומתות עבור נתיב הטלפוניה שלך. השוואת השהיה האחת שעומדת בבדיקה היא מול Flash v2.5, שהוא ה-SKU של ElevenLabs שקיים כדי לנצח בוויכוח הזה, ושאותו מדדו צדדים שלישיים בין כ-185 ל-197 מ"ש בפרודקשן. AssemblyAI-TTS-1 ב-159 מ"ש מהיר מזה, ובמחיר נמוך פי 2.7. זהו המקום היחיד בהתמודדות הזו שבו זול יותר ומהיר יותר הם אותה תשובה.

היכן ש-AssemblyAI-TTS-1 נשבר ראשון

לא במהירות ולא במחיר. אלא בזנב הארוך של מה שאדם אמיתי שמתקשר אומר.

התוצאות של Cekura לפי קטגוריה מציבות את AssemblyAI-TTS-1 במקום הראשון במספרי טלפון וקודים עם 91.7%, במקום הרביעי בטבעיות עם 4.50, ובמקום העשרים ושניים מתוך עשרים ושבעה בהגייה בהקשר עם 70.8%. Artificial Analysis גם מדרגת אותו בציון כולל של 81.7% בחוסן ההגייה — המקום השישה עשר מבין המודלים שהיא דירגה — עם ציון המשנה החלש ביותר בהרחבת קיצורים עם 73.8%. לוח המובילים של Coval מציב את שיעור שגיאות המילים שלו על 1.7%, שלוש עשיריות הנקודה מאחורי המוביל ולפני Eleven v4 Turbo ו-Cartesia Sonic 3.6 עם 1.8% ו-Deepgram Aura-2 עם 1.9%.

הצב אותם זה לצד זה, ומופיע דפוס כשל ספציפי: המודל הזה מצטיין בקריאת מספר בקול, אך חלש באופן ניכר בהחלטה כיצד יש לבטא קיצור, כתובת או קוד חשבון. זה בדיוק סוג הטעות שמילון הגייה מתקן, ו-AssemblyAI-TTS-1 עדיין לא כולל אחד כזה. אם הסוכן שלך קורא מזהי הזמנות, אתה קונה מודל שהתכונה הטובה ביותר שלו מכסה את זה, ושהתכונה הגרועה ביותר שלו היא בדיוק הדבר שאי אפשר לעקוף באמצעות הגדרות.

התשובה של ElevenLabs לאותה בעיה אינה ציונים טובים יותר, אלא שליטה מדויקת יותר: מילונים, תגיות, מהירות וקול משוכפל מקצועי שאומן על דגימת ההתייחסות שלך. אתה משלם 65 דולר יותר לכל מיליון תווים עבור היכולת לתקן בעצמך את הזנב.

החצי השני של הסוכן עדיין נמצא בחשבון אחר.

מודל TTS לעולם לא פועל לבדו בסוכן קולי. הוא פועל מאחורי מודל שפה שכותב את המשפט, וברוב הסטאקים מודל השפה הזה הוא הסעיף הגדול יותר וזה שיש לו מערכת היחסים התנודתית יותר עם הספק. זו השכבה ש-OrcaRouter מכסה: API אחד ליותר מ-200 מודלים במחיר המחירון של הספק עם 0% תוספת, מעבר אוטומטי לגיבוי כאשר ספק נחלש, DSL לניתוב להרכבת מודלים לקריאה אחת, ומיזוג מודלים כאשר תשובה אחת אינה טובה מספיק.

שתי הסתייגויות כנות. ראשית, AssemblyAI-TTS-1 אינו נכלל בקטלוג של OrcaRouter היום — מסלולי הדיבור שאנו מציעים הם tts-1, tts-1-hd ו-gpt-4o-mini-tts של OpenAI ו-Gemini TTS previews של Google — כך שזו אינה הצעה לקנות את המודל כאן. שנית, וזה השימושי יותר: מכיוון שהמרווח הוא אפס ומחירי המחירון של הספקים מועברים הלאה, הורדת מחיר מצד ספק בכל מודל TTS שתנתבו תופיע בחשבון שלכם באותו יום — וזה המנגנון שהופך את החלפת המדרגות מ-80$ ל-40$ שלמעלה למשהו ששווה לעקוב אחריו, ולא רק לקרוא עליו.

מה לעשות ביום שני

שלוש שאלות יכריעו את זה מהר יותר מכל מבחן ביצועים.

האם הסוכן שלך צריך לדבר בשפה שאינה אחת משש השפות ש-AssemblyAI-TTS-1 הושק איתן? אז ההשוואה נגמרה, והיא נגמרה בכל הנוגע לכיסוי, לא לאיכות. המתן שרשימת השפות תגדל או שלם ל-ElevenLabs.

האם הסוכן שלך מקריא ללקוח בקול מזהים, קודים או כתובות? אז בדוק את AssemblyAI-TTS-1 על המחרוזות שלך לפני שאתה מתחייב אליו, מפני שמדדי ההגייה הבלתי-תלויים הם החלק החלש ביותר ברקורד שלו ופתח המילוט של הקונפיגורציה עדיין אינו קיים. דיוק הישויות של הספק — 93.7% על מערך 580 הפריטים שלו עצמו, לעומת 93.6% עבור Eleven v4 ו-68.0% עבור Flash v2.5, כפי שדווח על ידי הספק ולא שוחזר — אומר את ההיפך ממה שאומר ציון ההקשר של Cekura. אחד משני אלה מודד את עומס העבודה שלך, ואינך יודע איזה מהם.

האם הקול שלך, מאומן ומנוהל? אז ElevenLabs, בלי הרבה ויכוח. שיבוט מיידי מ-24 שניות מפיק מזהה קול שמיש; הוא לא מפיק נכס מותג שאפשר להגן עליו.

אם התשובות הן שש שפות, לא, ולא — סוכן טלפוני בקנה מידה שקורא תורי שיחה רגילים — אז AssemblyAI-TTS-1 במחיר $15 עם מקביליות ללא הגבלה וללא דמי מקביליות הוא האפשרות הזולה יותר, ולפי מדידת השהיה עצמאית, המהירה יותר, ופער האיכות הוא 107 Elo של העדפה עיוורת שאינך משלם $6,750 בחודש כדי לסגור. הצב אותו מאחורי נתיב failover, הרץ אותו על הקלטות השיחות שלך במשך חודש, והשאר את Flash v2.5 מחובר כגיבוי ליום שבו יתברר שזנב הקורפוס שלך מלא בקיצורים.

זו כל ההשוואה. ספק אחד מוכר תקרה והשני מוכר רצפה, ושניהם מתומחרים בהתאם, והטעות היקרה היחידה האפשרית כאן היא לקנות את התקרה עבור עומס עבודה שלעולם לא מגיע אליה.