AssemblyAI-TTS-1 vs ElevenLabs Eleven v4: cosa si ottiene con un prezzo 5,3× più basso e cosa costa

AssemblyAI-TTS-1 costa $15 per milione di caratteri. ElevenLabs Eleven v4 costa $80. Quel rapporto — 5,3× — è il numero su cui apre ogni titolo dedicato al confronto, ed è il numero meno utile al suo interno, perché il modello che metteresti davvero dietro un agente telefonico non è Eleven v4. È Eleven v4 Turbo, a $40 per milione di caratteri, oppure Flash v2.5, anch'esso a $40. Rispetto a quelli, lo sconto è 2,7×, e rispetto a Flash v2.5 — il fratello a bassa latenza che ElevenLabs vende esattamente per questo compito — AssemblyAI-TTS-1 non sta affatto combattendo contro un incumbent storico. Entrambi sono stati rilasciati nelle ultime cinque settimane. Entrambi sono stati realizzati per lo stesso cliente. Uno dei due sta pagando per un tetto di qualità sul quale l'altro ha deciso di non competere.

La tabella dei prezzi sta facendo più lavoro della tabella dei benchmark.

AssemblyAI-TTS-1 è arrivato alla disponibilità generale il 27 ottobre 2026, con i numeri di valutazione pubblicati un giorno dopo. Il suo listino prezzi è insolitamente piatto: 15 dollari per milione di caratteri in input, spazi e punteggiatura inclusi, e questa unica tariffa copre ogni voce della libreria con oltre 4.000 elementi, ogni lingua di lancio, la clonazione vocale istantanea, i timestamp delle parole e l'elaborazione negli Stati Uniti o nell'UE. Non ci sono costi per voce, né fasce di concorrenza, né contratti annuali, e il fornitore afferma che il prezzo per carattere è lo stesso sia che si gestiscano dieci chiamate simultanee sia diecimila.

Il listino di ElevenLabs è suddiviso per modello. Eleven v4, annunciato il 28 settembre 2026, ha un prezzo di listino di $0,08 per mille caratteri — $80 per milione. Eleven v4 Turbo e Flash v2.5 hanno entrambi un prezzo di listino di $0,04 per mille, ovvero $40 per milione. Una promozione di lancio ha ridotto v4 del 72% fino al 12 ottobre 2026; quella finestra è ormai chiusa, quindi gli $80 sono ora la cifra che ti verrebbe effettivamente addebitata.

Traduci entrambi nell'unità in cui un team di agenti vocali definisce il budget. A una normale velocità di parlato di circa 150 parole al minuto e all'incirca sei caratteri per parola, spazi inclusi, un minuto di parlato finale è di circa 900 caratteri. È una stima, non un dato del fornitore, ma è abbastanza vicina per vedere la forma della fattura:

Un'ora di parlato continuo — circa 54.000 caratteri — costa all'incirca $0,81 su AssemblyAI-TTS-1, $4,32 su Eleven v4 e $2,16 su Eleven v4 Turbo.

• Centomila chiamate da tre minuti — 300.000 minuti, circa 270 milioni di caratteri — costano circa $4.050 con AssemblyAI-TTS-1, $21.600 con Eleven v4 e $10.800 con Eleven v4 Turbo.

• La differenza tra AssemblyAI-TTS-1 ed Eleven v4 Turbo su quel carico di lavoro è di 6.750 $ al mese per un volume di chiamate identico. Rispetto a Eleven v4 è di 17.550 $.

Quella è la vera decisione, ed è una decisione noiosa: stai scegliendo se un delta di qualità vale 6.750 dollari al mese su centomila chiamate. Tutto il resto in questo confronto riguarda quanto grande sia davvero quel delta.

Cosa si ottiene con i 65 $ extra per milione di caratteri

Nella classifica di ascolto alla cieca, vale un margine misurabile. La Provider Voice Arena di Artificial Analysis, consultata il 30 ottobre 2026, colloca Eleven v4 Turbo al primo posto con 1.336 Elo ed Eleven v4 al secondo con 1.334, contro AssemblyAI-TTS-1 a 1.227 al quattordicesimo posto. Un divario di 107 punti su quella scala non è rumore: gli intervalli non si sovrappongono. Nella Controlled Voice Arena, che mantiene costante la registrazione di riferimento affinché il confronto riguardi la fedeltà della clonazione anziché le voci standard, AssemblyAI-TTS-1 si trova al decimo posto con 1.110.

Il resto del divario riguarda inventario e superficie di controllo, ed è più ampio di quanto la differenza Elo suggerisca:

• Lingue — AssemblyAI-TTS-1 è stato lanciato con sei lingue: inglese, spagnolo, francese, tedesco, italiano e portoghese, ciascuna con più accenti. Eleven v4 copre oltre 90 lingue con accenti nativi anziché un parlante inglese che legge parole straniere.

• Libreria vocale — oltre 4.000 su AssemblyAI-TTS-1 rispetto agli oltre 17.500 dichiarati per Eleven v4.

• Clonazione — clonazione istantanea solo su AssemblyAI-TTS-1, da un campione che il fornitore mostra a 24 secondi. Eleven v4 abbina la clonazione istantanea a partire da appena dieci secondi con Professional Voice Cloning, tornata in v4 dopo essere stata assente da v3. I cloni professionali esistenti potrebbero richiedere un riaddestramento specifico per v4.

• Controlli — AssemblyAI-TTS-1 viene fornito senza SSML, senza parametro di velocità, senza dizionario di pronuncia e senza tag di emozione. Il suo post di lancio è esplicito sul fatto che la punteggiatura e le disfluenze scritte vengono lette così come sono scritte e che le pause sono indotte tramite prompting, non tramite markup. Eleven v4 offre tag audio inline impilabili — [laughs], [whispers] — e un limite di 10.000 caratteri per richiesta.

Output e infrastruttura — AssemblyAI-TTS-1 effettua streaming su WebSocket e HTTP, espone un endpoint compatibile con OpenAI, fornisce timestamp a livello di parola, supporta un messaggio di annullamento per il barge-in e pubblica agenti di riferimento LiveKit e Pipecat. Eleven v4 viene venduto tramite ElevenAPI, ElevenAgents ed ElevenCreative con gli ID modello eleven_v4 e eleven_v4_turbo.

Leggi quella lista come un'affermazione di prodotto anziché come un tabellone di punteggi. AssemblyAI ha costruito un endpoint TTS per un unico compito — trasformare una battuta di dialogo in una linea telefonica in modo rapido, corretto e a prezzo fisso — e ha deliberatamente tralasciato i controlli da studio. ElevenLabs ha continuato a costruire una piattaforma vocale. Se il tuo prodotto è doppiaggio, narrazione o una voce di marca che deve essere addestrata e governata, l'endpoint a sei lingue non è in gara, indipendentemente dal prezzo.

I valori di latenza differiscono di un fattore tre, ed entrambi sono onesti

Questa è la parte del confronto che la maggior parte dei resoconti sbaglia, in entrambe le direzioni. Il post di lancio di AssemblyAI cita 90 ms al primo audio in produzione e un tempo mediano al primo byte di 47 ms nel proprio test di laboratorio, descritto come il più veloce tra sei modelli. La sua tabella comparativa autodichiarata colloca 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 ed ElevenLabs v4 a 612 ms. La documentazione di ElevenLabs stessa dichiara circa 150 ms di tempo mediano al primo parlato e circa 100 ms di latenza mediana di inferenza per Turbo.

Poi Cekura, una società di test indipendente, ha misurato AssemblyAI-TTS-1 a una latenza di streaming mediana di 159 ms, ottavo tra i diciannove modelli cronometrati, con 171 ms alla mediana quando viene inviato il testo completo e 296 ms al p90. Non è una contraddizione rispetto ai 47 ms dichiarati dal fornitore. È un cronometro diverso: AssemblyAI misura dalla richiesta al primo byte, Cekura misura dall'ultima parola inviata alla prima uscita audio. A un voice agent che negozia un turno interessa di più la seconda misura, perché l'LLM deve prima finire di generare la frase.

La lettura onesta è quindi che, secondo la metodologia dello stesso fornitore, AssemblyAI-TTS-1 è la soluzione più veloce del confronto ed ElevenLabs v4 è la più lenta con ampio margine, mentre secondo una metodologia indipendente modellata su un agente AssemblyAI-TTS-1 si colloca a metà classifica e sia le sue dichiarazioni sia quelle di ElevenLabs dovrebbero essere considerate non verificate per il tuo percorso di telefonia. L'unico confronto di latenza che supera l'esame è quello con Flash v2.5, lo SKU di ElevenLabs che esiste per vincere questa discussione e che terze parti hanno misurato tra circa 185 e 197 ms in produzione. AssemblyAI-TTS-1 a 159 ms è più veloce di così, a un prezzo inferiore di 2,7×. È l'unico punto di questo confronto in cui più economico e più veloce sono la stessa risposta.

Dove AssemblyAI-TTS-1 cede per primo

Non sulla velocità né sul prezzo. Sulla coda lunga delle cose che dice un vero chiamante.

I risultati per categoria di Cekura collocano AssemblyAI-TTS-1 al primo posto per numeri telefonici e codici con 91,7%, al quarto posto per naturalezza con 4,50 e al ventiduesimo posto su ventisette per la pronuncia contestuale con 70,8%. Analogamente, Artificial Analysis gli attribuisce un punteggio complessivo dell'81,7% sulla robustezza della pronuncia — sedicesimo tra i modelli valutati — con il sottopunteggio più debole sull'espansione delle abbreviazioni pari al 73,8%. La classifica di Coval colloca il suo tasso di errore sulle parole all'1,7%, tre decimi di punto dietro il leader e davanti a Eleven v4 Turbo e Cartesia Sonic 3.6 con l'1,8% e a Deepgram Aura-2 con l'1,9%.

Mettili uno accanto all'altro e compare un tipo specifico di errore: questo modello è molto bravo a leggere un numero ad alta voce e sensibilmente più debole nel decidere come pronunciare un'abbreviazione, un indirizzo o un codice di conto. È esattamente la classe di errore che un dizionario di pronuncia risolve, e AssemblyAI-TTS-1 non ne include ancora uno. Se il tuo agente legge ID degli ordini, stai acquistando un modello la cui migliore caratteristica lo copre e la cui peggiore caratteristica è proprio quella che non puoi configurare.

La risposta di ElevenLabs allo stesso problema non sono punteggi migliori, ma un controllo più fine: dizionari, tag, velocità e un clone professionale addestrato sul tuo riferimento. Paghi 65 dollari in più per milione di caratteri per avere la possibilità di sistemare da solo la coda.

L'altra metà dell'agente è ancora su un'altra fattura.

Un modello TTS non viene mai eseguito da solo in un agente vocale. Viene eseguito dietro un modello linguistico che scrive la frase e, nella maggior parte degli stack, quel modello linguistico è la voce di costo maggiore ed è quello con il rapporto con il fornitore più instabile. È questo il livello che OrcaRouter copre: un'unica API per oltre 200 modelli al prezzo di listino del fornitore con 0% di ricarico, failover automatico quando un fornitore si degrada, un DSL di routing per combinare modelli in un'unica chiamata e fusione di modelli quando una singola risposta non è sufficiente.

Due avvertenze sincere. Primo, AssemblyAI-TTS-1 non è oggi nel catalogo di OrcaRouter — le route di sintesi vocale che offriamo sono tts-1, tts-1-hd e gpt-4o-mini-tts di OpenAI e le anteprime Gemini TTS di Google — quindi non è una proposta per acquistare il modello qui. Secondo, e più utile: poiché il ricarico è zero e i prezzi di listino dei provider vengono trasferiti direttamente, un taglio del prezzo da parte del fornitore su qualunque modello TTS tu decida di instradare compare sulla tua fattura lo stesso giorno, ed è il meccanismo che rende il rimescolamento dei livelli da $80 a $40 qui sopra degno di attenzione anziché di una semplice lettura.

Cosa fare lunedì

Tre domande lo decidono più rapidamente di qualsiasi benchmark.

Il tuo agente deve parlare una lingua al di fuori delle sei con cui è stato lanciato AssemblyAI-TTS-1? Allora il confronto è chiuso, e lo è sulla copertura, non sulla qualità. Aspetta che l'elenco delle lingue si ampli oppure paga ElevenLabs.

Il tuo agente legge ad alta voce identificatori, codici o indirizzi a un cliente? Allora prova AssemblyAI-TTS-1 sulle tue stringhe prima di adottarlo, perché i dati indipendenti sulla pronuncia sono la parte più debole del suo storico e la via di fuga di configurazione non esiste ancora. L'accuratezza sulle entità del fornitore, pari al 93,7% sul proprio set di 580 elementi — contro il 93,6% di Eleven v4 e il 68,0% di Flash v2.5, valori riportati dal fornitore e non riprodotti — dice l'opposto di quanto afferma il punteggio contestuale di Cekura. Una delle due sta misurando il tuo carico di lavoro e non sai quale.

La voce è tua, addestrata e governata? Allora ElevenLabs, senza tante discussioni. La clonazione istantanea da 24 secondi produce un ID voce utilizzabile; non produce un asset di marca che puoi difendere.

Se le risposte sono sei lingue, no e no — un agente telefonico su larga scala che legge normali turni conversazionali — allora AssemblyAI-TTS-1 a $15 con concorrenza illimitata e nessun costo di concorrenza è l'opzione più economica e, secondo la misurazione indipendente della latenza, più veloce, e il divario di qualità è di 107 Elo di preferenza cieca che non stai pagando $6,750 al mese per colmare. Mettilo dietro un percorso di failover, testalo con le registrazioni delle tue chiamate per un mese e tieni Flash v2.5 collegato come fallback per il giorno in cui la coda del tuo corpus si rivelerà piena di abbreviazioni.

Questo è l'intero confronto. Un fornitore vende un limite massimo e l'altro vende un limite minimo, entrambi prezzati di conseguenza, e l'unico errore costoso possibile qui è acquistare il limite massimo per un carico di lavoro che non lo raggiunge mai.