AssemblyAI-TTS-1、100万文字あたり15ドル：音声エージェントの価格下限が動いた

AssemblyAI-TTS-1は2026年10月27日に一般提供を開始し、入力100万文字あたり15ドルで提供される。重要なのは見出しに載っている数字ではなく、割り算をした後に出てくる数字だ。通常の話速である毎秒約15文字で換算すると、100万文字は完成音声で約18時間分になり、これはこのモデルが音声1時間あたり約81セントであることに近い。現行の速度リーダーであるCartesia Sonic 3.6は100万文字あたり49ドル、つまり1時間あたり約2.70ドルを課金する。ElevenLabs v4は80ドル、つまり1時間あたり約4.40ドルを課金する。これはAssemblyAI初の単体テキスト読み上げモデルであり、同社は今週まで音声認識ベンダーだった。そして同じ作業単位に対してリーダーが3〜5倍多く請求する市場に参入した。

この主張には即座に注釈が必要だ。というのも、ここでは三つの異なる関係者が三種類の異なる数値を提供しているからだ。価格はAssemblyAI自身が公表している料金表によるもので、同社の料金ページで確認できる。レイテンシの数値は、AssemblyAIが五社の競合プロバイダーに対して実施したラボテストによるもので、30件のプロンプト、3ラウンド、モデルごとに4つの既製音声、一度に1リクエストという条件だった。リーダーボード上の順位はArtificial Analysisによるもので、独自に測定されたものだ。本記事が引用するAssemblyAI自身の品質評価——エンティティ精度、予測MOS、韻律、クローン類似度——はベンダー報告の値であり、AssemblyAIの外部で再現した者はいない。現時点で入手可能な、真に独立した唯一のレイテンシ測定は、マーケティングよりもうれしくない方向を指しており、まずはそれを先に示す価値がある。

スペックシートを1画面で

• 料金 — 入力100万文字あたり15ドル。スペースと句読点を含むテキストに基づいて課金され、ライブラリ内のすべての音声とすべての言語が含まれ、音声ごとの料金や同時実行の料金はかかりません

• ボイス — ライブラリに4,000以上、さらに短い参照サンプルからのインスタントクローニング（デモでは24秒の音声を使用）

• 言語 — ローンチ時点で英語、スペイン語、フランス語、ドイツ語、イタリア語、ポルトガル語。複数のアクセントに対応。次のバッチについては日付未定

• レイテンシー — 本番環境向けに公表されている最初の音声までの時間は90 msで、同社はこれを保守的な値と説明。自社ラボでの比較では、最初のバイトまでの時間の中央値は47 ms。

• スループット — Artificial Analysis 上で毎秒162文字、148.6のCartesia Sonic 3.6を上回る

• インターフェース — HTTP、バージイン用のキャンセルメッセージを備えた WebSocket、および OpenAI 互換ルート。LiveKit と Pipecat のリファレンスエージェントがこれに同梱されています

• 出力 — PCM、μ-law、A-law（8～48 kHz、ネイティブ24 kHz）、音声とともに単語レベルのタイムスタンプを返却

• データ所在地と制限 — 米国またはEUでの処理を同一価格で提供、従量課金では同時実行数が無制限、年間契約やティア購入は不要

• まだ — SSMLなし、速度パラメータなし、発音辞書なし、感情タグなし、微調整された「プロ」クローニングなし

それらの項目のうち2つは、他の項目よりもはるかに商業的な役割を担っています。定価での無制限同時実行は、ほとんどのTTSベンダーが大容量の音声エージェントの前に置く交渉を不要にします。そこでは、分単位の同時実行ティアが文字単位の料金を上回る可能性があるからです。また、スペースや句読点まで課金対象にするのは誠実ですが、無料ではありません。1,000語のスクリプトは、スペースやカンマを含めると概算6,000文字になるため、発話語あたりの実効価格は、語単位の料金と単純に比較して想定されるよりも高くなります。AssemblyAIはそれを隠していません — 料金ページに明記されています — しかし、それは実際のスクリプトにおいて、見出し上の3倍の差を2.7倍の差に変えてしまう類の細部なのです。

なぜ47 msという数字がこれほど重視されているのか

発表記事は速度を前面に押し出しており、その根拠となるテストは、競合他社と手法を明示している点で、ほとんどのベンダー比較よりも情報量が多い。単一クライアントによる逐次リクエストでの最初のバイトまでの中央値時間は、AssemblyAI-TTS-1 が 47 ms、ElevenLabs Flash v2.5 が 119 ms、Cartesia Sonic 3.6 が 143 ms、Inworld TTS-2 Flash が 244 ms、Inworld TTS-2 が 280 ms、ElevenLabs v4 が 612 ms だった。この設定を受け入れるなら、AssemblyAI は単に速いだけではない。価格設定の比較対象としている Cartesia Sonic 3.6 よりも最初のバイトまでが約 3 倍速く、ElevenLabs Flash v2.5 よりも 2.5 倍速い。

このセットアップでは分からないのは、負荷がかかったときに何が起きるかです。単一のクライアントが一度に1リクエストだけ送る状況では、測定しているのはモデルであってサービスではありません。キューイングも、並行処理の競合も、コールドスタートの経路も、リージョンをまたぐネットワークホップもありません。本番環境での90 msという数値は、同社がそれを織り込もうとしたものであり、47 msと90 msの差は、ラボテストでは見えない実環境でのペナルティとほぼ同じ大きさです。ボリュームを伴う音声エージェントを運用したことがある人なら誰でも、これがTTSレイテンシのマーケティングにおける典型的な形だと分かるでしょう。ベンチマークのスライド向けのきれいなラボ数値、価格の話向けのより控えめな本番数値、そしてエンドポイントから遠いリージョンのパブリックネットワーク上にいるときにだけ現れる第三の数値です。

その3つ目の数値は今や実在し、しかもさらに悪い。独立系音声エージェント評価企業Cekuraは、エージェント風の文からなるテストセット全体でAssemblyAI-TTS-1のストリーミング遅延の中央値を159 msと測定した——19システム中1位ではなく8位となった。Cekuraはまた読み上げ精度を81.5%と採点し、ElevenLabs v4の80.4%とほぼ同水準だった。一方、電話番号とコードでは91.7%でAssemblyAIを1位、自然さでは4.50で4位にランク付けした。2つの情報源を合わせて読むと、一貫した像が見えてくる。AssemblyAI-TTS-1は話し始めるのが確かに速く、発音しにくいトークンに異常に強い一方、実際のストリーミング経路が介在すると評価ボード上で最速ではない。

Artificial Analysisの2つのアリーナ、それぞれ異なる物語

Artificial Analysisは2つのTTSボードを運営しており、それぞれ異なるものを測定している。Provider Voiceアリーナでは各モデルが自前のネイティブ音声で話すのに対し、Controlled Voiceアリーナではすべてのモデルを同じ8つのクローン音声に固定する。この区別は今回のローンチで最も有用な点だ。なぜなら、AssemblyAI-TTS-1は自社カタログ上よりもControlledボードの方がスコアが良いからだ。

• Provider Voice — デビュー時は1,227 Eloで12位、評価対象の出現回数は1,626回。2日後のライブボードでは1,227で14位：同じスコアでも順位は下がっている。2つのモデルがその上に参入したためだ。Eloは安定した数値であり、順位は動く標的である。

• Controlled Voice — 1,110 Elo、デビュー時10位、1,674回出場。ライブボードでは現在、10位で1,108と表示されています。

• 発音のロバスト性 — 評価済みクリップ2,115本で81.7%、同ボードで16位。

• 生成速度 — 1秒あたり162文字。

クローン音声の中で、自社の4,000音声ライブラリ内よりも高い順位に付くモデルは、具体的に何かを示している。音響面は競争力があるが、音声設計はまだ差別化要因になっていないということだ。オープンウェイトのリーダーであるBreeze TTS 2は、まったく逆のパターンを示す。プロバイダー音声には強く、制御された音声には弱い。この比較が興味深い点だ。AssemblyAIは広範で安価かつ有能なカタログを構築してきたが、それ自体の長所でブラインド聴取テストに勝つ音声はまだ構築していない。

ランキングの変動は、実用的な理由から注目に値する。このローンチを扱うすべてのアグリゲーターは、Artificial Analysisの発表投稿にある「Provider Voiceでトップ12」を引用しているが、これを読む頃には同じスコアが15位や16位になっているかもしれない。それはAssemblyAIの品質が低下したということではない。Eloの数ポイントが5順位分にまたがり、ほとんどの週に新規エントリーが加わるリーダーボードなのだ。Eloを評価し、読んだ日付を記録し、2順位の下落を後退とみなさないことだ。

ベンダーの評価が強く見える点と、そうでない点

AssemblyAIは、ほとんどのTTS発表よりも充実した数値一式を公開した。それらはすべて自社によるもので、50種類の共通クローン音声でテストされ、生成音声は同社のUniversal-3.5 Pro認識器で書き起こし直された。手法は妥当だ。音声をASRモデルに通して往復させることは、明瞭性の妥当な代理指標となる。とはいえ、これは依然としてベンダーが設計し採点したテストである。

• 難易度の高いターゲット（電話番号、URL、確認コード、薬剤名）におけるエンティティ精度 — AssemblyAI-TTS-1は93.7%、ElevenLabs v4は93.6%、Cartesia Sonic 3.6は82.5%、ElevenLabs Flash v2.5は68.0%。ElevenLabs v4に対する0.1ポイントのリードは、勝利の装いをまとった引き分けにすぎない。Sonic 3.6に対する11ポイントの差こそが本当の発見だ。

• 単語精度 — 99.0%。これは上限に十分近く、優れたモデル同士を判別できなくなる。

• 予測MOS — 3.85、そしてここでAssemblyAIは負ける：Inworld TTS-2 Flashは同じ尺度で3.88を記録し、Cartesia Sonic 3.6は3.82、ElevenLabsの両モデルはいずれもその下位にある。ベンダー自身の表でも、これを1位に置いていない。

• TTSDS 韻律 — 85.5。この投稿にはベンダー横断のベースラインがない数値です。

• クローンスピーカー類似度 — 0.64。これはインスタントクローニングとしては低く、プロバイダー側の位置付けではなく統制アリーナ側の位置付けと整合している。

あの表を正直に要約すると、ローンチ時のコピーより範囲は狭い。AssemblyAI-TTS-1 は難しい文字列を正しく読むのが非常に得意で、了解度では競争力があり、自然さでは中位、クローン時の声の同一性では最も弱い。口座番号や郵便番号を読み上げる音声エージェントにとっては、最初の項目こそが価値を生む。ナレーション付きのオーディオブックやキャラクターの声では、最後の二項目こそが重要であり、このモデルは選択肢ではない。

まだできないこと、そしてそれがあなたにどんなコストをかけるか

機能の不足は初回リリースとしてはよくあることだが、このカテゴリーでは異常なほど重大な意味を持つ。SSMLがないため、テキストを書き換えずにポーズ、強調、発音を確実に制御する方法はない。速度パラメーターもない。つまり話す速さは、単語数を増減させて上流で調整するしかない。カスタム発音辞書もない。固有名詞の精度が最大の売りであるにもかかわらず、モデルがブランド名を誤って発音した場合、辞書を渡すことはできず、テキストの綴りを変えて期待するしかない。感情タグとプロ向けのファインチューニング済みクローニングは、ベンダー自身の言葉でいえばどちらも「近日提供予定」であり、ローンチページの「ネイティブ感情」という見出しは、専用の感情コントロールは利用できないと書かれたFAQの隣で不自然に浮いている。

言語対応範囲はより厳しい制約だ。ローンチ時点で6言語なのに対し、Cartesia Sonic 3.6は44言語、Breeze TTS 2は50言語を謳っている。ただし、Breezeの自社モデルカードでは英語と中国語のみがタグ付けされている点には注意が必要だ。エージェントが同じ週にドイツ語の通話者とポルトガル語の通話者に対応する必要があるなら、AssemblyAIは両方をカバーする。ポーランド語、日本語、アラビア語が必要なら、対応していないし、日程も示されていない。

実際にどうやって手に入れるか

AssemblyAI-TTS-1は、ベンダー自身のAPIから提供されています。HTTP、WebSocket、およびOpenAI互換エンドポイントに対応し、米国とEUのホストが同一価格です。さらに50ドルのサインアップクレジットがあり、掲載されている開始プランは従量課金のみです。それ以外にも、複数のサードパーティプラットフォームを通じて利用できます。現在、OrcaRouterのカタログには掲載されておらず、掲載されているふりをするつもりもありません。今週中に必要なら、ベンダーのAPIが直接の手段です。

今回のローンチで私たちが実際に懸念しているのは、それが生み出す意思決定の形です。音声エージェントは3つのモデルからなるパイプライン — 音声認識、言語モデル、音声合成 — であり、TTSの区間はいまや、価格差が最も大きく、最も新しい参入者が集まる区間になっています。まさにそこが、本採用する前に第2の選択肢を組み込んでおきたい区間です。なぜなら、単一クライアントでのレイテンシテストしかなく、独立した負荷テストもない真新しいモデルは、フォールバックの背後に置くべきコンポーネントの典型だからです。200以上のモデルを1つのAPIでルーティングすることを0%のマークアップで行っており、ベンダーの定価をそのまま通すため値下げは当日に反映され、自動フェイルオーバーにより、あるプロバイダーでの不調な午後がエージェントをダウンさせることもありません。現在ルーティングしているTTSモデルはOpenAIのtts-1、tts-1-hd、gpt-4o-mini-ttsに加えてGoogleのGemini 3.1 Flash TTS Previewです — AssemblyAI-TTS-1が自社のトラフィックではなくあなたのトラフィックのもとで実力を証明する間の、使える第2の区間です。

何が評決を変えるのだろうか

意思決定への影響度順に、3つの事項があります。第一に、実際の同時実行環境下での独立したレイテンシ測定です。Cekuraのストリーミング159 msという数値はこれまで唯一の外部測定であり、単一のラボから出た単一の数値にすぎません。第二のラボが47 msのファーストバイト優位を再現するか、できないかで、その速度主張がキューと実際に組み合わされたときに通用するかどうかが決着します。第二に、発音辞書です。エンティティ精度はモデルの最も強い主張であり、同時に、モデルが一度も見たことのない製品名によって本番環境で最も損なわれやすい能力でもあります。辞書を提供することで、ベンチマーク上の勝利を運用上の勝利に変えられます。第三に、6言語がロードマップの他の部分と同じスケジュールで拡充されるかどうかです。価格上の優位性は、カバレッジが追いついてこそ積み上がるからです。

それらが実現するまでは、今回のローンチの正しい読み方は限定的だが有用だ。AssemblyAI-TTS-1は、10年にわたる音声インフラを背景に持つベンダーによる市場で最も安価で信頼できるTTS APIであり、ラボでは高速、現存する唯一の外部テストでも十分に高速で、難しい文字列を比較対象の何よりも上手く読み上げ、自然さでは中位、クローン声の同一性では弱い。6言語の大量処理エージェントには強い買いだが、特徴的な声を必要とするものには時期尚早だ。