AssemblyAI-TTS-1 a 15 dollari per un milione di caratteri: il prezzo minimo degli agenti vocali si è appena spostato

AssemblyAI-TTS-1 è stato reso disponibile a livello generale il 27 ottobre 2026 a 15 dollari per milione di caratteri di input, e il numero che conta non è quello nel titolo — ma quello che si ottiene dividendo. A un ritmo di parlato normale di circa 15 caratteri al secondo, un milione di caratteri equivale a circa 18 ore di audio finito, il che porta il modello a circa 81 centesimi per ora di parlato. Cartesia Sonic 3.6, il leader consolidato della velocità, addebita 49 dollari per milione di caratteri, ovvero circa 2,70 dollari l'ora. ElevenLabs v4 addebita 80 dollari, ovvero circa 4,40 dollari l'ora. Questo è il primo modello autonomo di sintesi vocale di AssemblyAI — l'azienda fino a questa settimana era un fornitore di riconoscimento vocale — ed è entrata in un mercato in cui il leader addebita da tre a cinque volte tanto per la stessa unità di lavoro.

L'affermazione merita subito una precisazione, perché qui tre parti diverse forniscono tre tipi diversi di numero. Il prezzo è quello del listino ufficiale pubblicato da AssemblyAI ed è verificabile sulla sua pagina dei prezzi. Il dato sulla latenza proviene da un test di laboratorio che AssemblyAI ha eseguito contro cinque fornitori rivali, su 30 prompt, tre round, quattro voci standard per modello, una richiesta alla volta. La posizione in classifica è quella di Artificial Analysis, misurata in modo indipendente. Laddove questo articolo cita le valutazioni sulla qualità di AssemblyAI — accuratezza delle entità, MOS previsto, prosodia, somiglianza del clone — si tratta di dati dichiarati dal fornitore e nessuno al di fuori di AssemblyAI li ha riprodotti. L'unica misurazione della latenza davvero indipendente disponibile finora punta a un risultato meno lusinghiero del marketing, e vale la pena partire da quella.

La scheda tecnica in un'unica schermata

• Prezzo — 15 $ per milione di caratteri di input, fatturati sul testo inclusi spazi e punteggiatura, tutte le voci della libreria e tutte le lingue incluse, nessun costo per voce o per concorrenza

• Voci — più di 4.000 nella libreria, oltre alla clonazione istantanea da un breve campione di riferimento (la demo ha utilizzato 24 secondi di audio)

• Lingue — inglese, spagnolo, francese, tedesco, italiano e portoghese al lancio, più accenti, nessuna data indicata per il prossimo gruppo

• Latenza — 90 ms di tempo al primo audio dichiarati per la produzione, descritti dall'azienda come conservativi; 47 ms di tempo mediano al primo byte nel proprio confronto di laboratorio

• Throughput — 162 caratteri al secondo su Artificial Analysis, superiore a Cartesia Sonic 3.6 con 148,6

• Interfacce — HTTP, WebSocket con un messaggio di annullamento per il barge-in, e una rotta compatibile con OpenAI; gli agenti di riferimento LiveKit e Pipecat vengono forniti insieme

• Output — PCM, mu-law e A-law da 8 a 48 kHz, nativo a 24 kHz, timestamp a livello di parola restituiti insieme all'audio

• Residenza e limiti — elaborazione negli USA o nell'UE allo stesso prezzo, concorrenza illimitata con pagamento a consumo, nessun contratto annuale né acquisto di livelli

• Non ancora — niente SSML, nessun parametro di velocità, nessun dizionario di pronuncia, nessun tag emotivo, nessun clonaggio "pro" ottimizzato

Due di quelle righe svolgono un lavoro commerciale maggiore rispetto alle altre. La concorrenza illimitata a prezzo di listino elimina la negoziazione che la maggior parte dei fornitori TTS antepone agli agenti vocali ad alto volume, dove i livelli di concorrenza al minuto possono superare la tariffa per carattere. E una fatturazione che conta spazi e punteggiatura è onesta ma non è gratuita: un copione di 1.000 parole arriva a circa 6.000 caratteri una volta inclusi spazi e virgole, quindi il prezzo effettivo per parola pronunciata è più alto di quanto suggerisca un confronto ingenuo con il prezzo per parola. AssemblyAI non lo nasconde — la pagina dei prezzi lo dice chiaramente — ma è il tipo di dettaglio che trasforma un divario nominale di 3x in uno di 2,7x su un copione reale.

Perché al numero di 47 ms viene dato così tanto peso

Il post di lancio mette in primo piano la velocità, e il test alla base è più informativo della maggior parte dei confronti tra fornitori perché nomina i suoi concorrenti e il suo metodo. Tempo mediano al primo byte, client singolo, richieste sequenziali: AssemblyAI-TTS-1 a 47 ms, ElevenLabs Flash v2.5 a 119 ms, Cartesia Sonic 3.6 a 143 ms, Inworld TTS-2 Flash a 244 ms, Inworld TTS-2 a 280 ms, ElevenLabs v4 a 612 ms. Se si accetta quella configurazione, AssemblyAI non è soltanto veloce — è circa tre volte più veloce al primo byte di Cartesia Sonic 3.6, il modello con cui si confronta sul prezzo, e due volte e mezzo più veloce di ElevenLabs Flash v2.5.

Ciò che la configurazione non può dirti è cosa succede sotto carico. Un singolo client che invia una richiesta alla volta misura il modello, non il servizio: niente code, niente contesa di concorrenza, niente percorso di avvio a freddo, niente salto di rete tra regioni. Il valore di 90 ms in produzione è il tentativo della stessa azienda di tenerne conto, e il divario tra 47 e 90 ms è più o meno pari alla penalità del mondo reale che il test di laboratorio non può vedere. Chiunque abbia gestito un agente vocale ad alto volume riconoscerà in questo la forma tipica del marketing sulla latenza TTS: un numero pulito di laboratorio per la slide del benchmark, un numero di produzione più attenuato per la conversazione sui prezzi, e un terzo numero che compare solo quando ti trovi su una rete pubblica in una regione lontana dall'endpoint.

Quel terzo numero esiste ora, ed è peggiore. Cekura, una società indipendente di valutazione di agenti vocali, ha misurato una latenza mediana di streaming di 159 ms per AssemblyAI-TTS-1 sul suo set di test di frasi in stile agente — collocandolo all'ottavo posto su diciannove sistemi anziché al primo. Cekura ha anche valutato l'accuratezza nella lettura all'81,5%, essenzialmente allo stesso livello di ElevenLabs v4 all'80,4%, mentre ha classificato AssemblyAI al primo posto per numeri di telefono e codici al 91,7% e al quarto per naturalezza a 4,50. Leggendo insieme le due fonti, si forma un quadro coerente: AssemblyAI-TTS-1 è davvero rapido a iniziare a parlare, insolitamente bravo con token difficili da pronunciare, e non è il sistema più veloce in classifica una volta che un vero percorso di streaming è in gioco.

Due arene di Artificial Analysis, due storie diverse

Artificial Analysis gestisce due classifiche TTS e misurano cose diverse. Nella Provider Voice arena ogni modello parla con le proprie voci native; nella Controlled Voice arena ogni modello è costretto a usare le stesse otto voci clonate. Questa distinzione è la cosa più utile di questo lancio, perché AssemblyAI-TTS-1 ottiene un punteggio migliore nella classifica controllata che nel proprio catalogo.

• Provider Voice — 1.227 Elo, 12º al debutto, 1.626 apparizioni valutate. Due giorni dopo, la classifica in tempo reale mostra 1.227 al 14º posto: stesso punteggio, posizione inferiore, perché due modelli sono entrati sopra di esso. L'Elo è il numero stabile; la posizione in classifica è un bersaglio mobile.

• Controlled Voice — 1.110 Elo, 10º all'esordio, 1.674 presenze. La classifica live ora riporta 1.108 al 10º posto.

• Robustezza della pronuncia — 81,7% su 2.115 clip valutati, 16º in quella classifica.

• Velocità di generazione — 162 caratteri al secondo.

Un modello che si classifica più in alto tra le voci clonate che nella propria libreria di 4.000 voci ti sta dicendo qualcosa di preciso: l'acustica è competitiva e il design delle voci non è ancora il fattore distintivo. Breeze TTS 2, il leader open-weights, mostra esattamente il pattern opposto — forte sulle voci dei provider, debole su quelle controllate — ed è proprio in questo confronto che la questione diventa interessante. AssemblyAI ha costruito un catalogo ampio, economico e competente; non ha ancora costruito voci che vincono i test di ascolto alla cieca sui propri meriti.

La deriva nel ranking vale la pena di essere segnalata per un motivo pratico. Ogni aggregatore che copre questo lancio cita «top 12 in Provider Voice» dal post di annuncio di Artificial Analysis, e nel momento in cui leggete questo testo lo stesso punteggio potrebbe trovarsi al 15º o 16º posto. Non significa che AssemblyAI stia perdendo qualità. È una classifica in cui pochi punti Elo coprono cinque posizioni e in cui nuove voci arrivano quasi ogni settimana. Valutate l'Elo, annotate la data in cui lo leggete e non considerate un scivolamento di due posizioni come una regressione.

Dove le valutazioni dei fornitori appaiono solide, e dove no

AssemblyAI ha pubblicato un insieme di numeri più completo rispetto alla maggior parte dei lanci TTS, tutti frutto del suo lavoro, tutti testati su 50 voci clonate condivise con audio generato trascritto di nuovo tramite il suo riconoscitore Universal-3.5 Pro. La metodologia è sensata — far fare un round-trip all’audio attraverso un modello ASR è un proxy ragionevole per l’intelligibilità — ed è comunque un test progettato e valutato dal fornitore.

• Accuratezza delle entità su obiettivi difficili (numeri di telefono, URL, codici di conferma, nomi di farmaci) — 93,7% per AssemblyAI-TTS-1, 93,6% per ElevenLabs v4, 82,5% per Cartesia Sonic 3.6, 68,0% per ElevenLabs Flash v2.5. Un decimo di punto in più rispetto a ElevenLabs v4 è un pareggio travestito da vittoria; il divario di 11 punti rispetto a Sonic 3.6 è la vera scoperta.

• Accuratezza a livello di parola — 99,0%, un valore sufficientemente vicino al tetto massimo da non risultare più discriminante tra modelli validi.

• MOS previsto — 3,85, e qui AssemblyAI perde: Inworld TTS-2 Flash ottiene 3,88 sulla stessa scala, con Cartesia Sonic 3.6 a 3,82 ed entrambi i modelli ElevenLabs sotto di loro. La tabella del fornitore stesso non lo colloca al primo posto.

• TTSDS prosodia — 85,5, un valore senza alcun riferimento comparativo tra fornitori nel post.

• Somiglianza del parlante clonato — {{1}}0.64{{/1}}, che è bassa per la clonazione istantanea e coerente con la collocazione nell'arena controllata anziché con quella del provider.

Il riassunto onesto di quella tabella è più ristretto del testo di lancio: AssemblyAI-TTS-1 è eccellente nel riprodurre correttamente le stringhe difficili, competitivo sull'intelligibilità, nella media sulla naturalezza e più debole sull'identità vocale quando si clona. Per un agente vocale che legge numeri di conto e codici postali, la prima riga è quella che conviene. Per un audiolibro narrato o una voce di personaggio, le ultime due righe sono quelle che contano, e questo modello non è la scelta giusta.

Cosa non può ancora fare, e quanto ti costa

Le lacune funzionali sono normali per una prima versione e insolitamente rilevanti per questa categoria. Non è disponibile SSML, quindi non c'è un modo affidabile per forzare una pausa, un'enfasi o una pronuncia senza riscrivere il testo. Non esiste un parametro di velocità, il che significa che il ritmo deve essere gestito a monte generando più o meno parole. Non esistono dizionari di pronuncia personalizzati, nonostante l'accuratezza sulle entità sia il punto di forza principale: quando il modello pronuncia male il nome di un marchio, non puoi fornirgli un lessico, puoi solo riscrivere foneticamente il testo e sperare. I tag di emozione e il clonaggio pro ottimizzato sono entrambi "in arrivo", secondo le parole stesse del fornitore, e l'intestazione "emozione nativa" della pagina di lancio stona accanto a una FAQ che afferma che i controlli dedicati all'emozione non sono disponibili.

La copertura linguistica è il limite più critico. Sei lingue al lancio contro le 44 di Cartesia Sonic 3.6 e le 50 dichiarate di Breeze TTS 2 — con l’avvertenza che la scheda del modello di Breeze stesso indica solo inglese e cinese. Se il tuo agente deve rispondere a un chiamante tedesco e a uno portoghese nella stessa settimana, AssemblyAI copre entrambi. Se necessita di polacco, giapponese o arabo, non li copre, e non è stata comunicata alcuna data.

Come lo capisci davvero

AssemblyAI-TTS-1 viene erogato tramite l'API del fornitore stesso — HTTP, WebSocket e un endpoint compatibile con OpenAI — con host negli Stati Uniti e nell'UE allo stesso prezzo, oltre a un credito di 50 $ alla registrazione e a un punto di partenza dichiarato basato unicamente sul pagamento a consumo. Inoltre è disponibile attraverso diverse piattaforme di terze parti. Oggi non è nel catalogo di OrcaRouter, e non abbiamo intenzione di fingere il contrario; se lo volete entro questa settimana, l'API del fornitore è la via diretta.

La parte di questo lancio che ci riguarda davvero è la forma della decisione che crea. Un voice agent è una pipeline a tre modelli — riconoscimento vocale, un modello linguistico, sintesi vocale — e la gamba TTS è ora quella con la forbice di prezzo più ampia e i nuovi entranti più recenti. È esattamente la gamba in cui vuoi una seconda opzione già collegata prima di impegnarti, perché un modello nuovissimo con un test di latenza su un singolo client e nessun test di carico indipendente è la definizione di un componente che dovrebbe stare dietro un fallback. Instradare più di 200 modelli attraverso un'unica API a margine 0% è ciò che facciamo, con il prezzo di listino del fornitore passato così com'è, in modo che un taglio di prezzo arrivi lo stesso giorno, e failover automatico affinché un pomeriggio sfortunato presso un fornitore non mandi giù l'agente. I modelli TTS che instradiamo oggi sono tts-1 di OpenAI, tts-1-hd e gpt-4o-mini-tts insieme a Gemini 3.1 Flash TTS Preview di Google — una seconda gamba utilizzabile mentre AssemblyAI-TTS-1 si dimostra sotto il tuo traffico anziché sotto il proprio.

Che cosa cambierebbe il verdetto

Tre cose, in ordine di quanto sposterebbero la decisione. Primo, un test indipendente della latenza in condizioni di reale concorrenza: il dato di 159 ms in streaming di Cekura è l'unica misurazione esterna finora, ed è un singolo numero proveniente da un singolo laboratorio. Un secondo laboratorio che riproducesse il vantaggio di 47 ms sul primo byte — o che non ci riuscisse — stabilirebbe se l'affermazione sulla velocità regge a contatto con una coda. Secondo, il dizionario di pronuncia. L'accuratezza sulle entità è l'argomento migliore del modello, ed è anche la capacità più suscettibile di essere vanificata in produzione da un nome di prodotto che il modello non ha mai visto. Distribuire i dizionari trasforma una vittoria nei benchmark in una vittoria operativa. Terzo, se le sei lingue si sviluppano secondo lo stesso calendario del resto della roadmap, perché il vantaggio di prezzo si compone solo se la copertura recupera.

Fino a quando non arriveranno, la lettura corretta di questo lancio è circoscritta e utile: AssemblyAI-TTS-1 è l'API TTS credibile più economica sul mercato, offerta da un fornitore con un decennio di infrastruttura vocale alle spalle; è veloce in laboratorio e sufficientemente veloce nell'unico test esterno esistente; legge le stringhe difficili meglio di qualunque alternativa con cui sia stata confrontata; ed è nella media quanto a naturalezza e debole sull'identità clonata. Si tratta di un acquisto forte per agenti ad alto volume in sei lingue, e di un acquisto prematuro per qualsiasi cosa richieda una voce distintiva.