AssemblyAI-TTS-1 対 ElevenLabs Eleven v4：5.3倍の安さで得られるものと、その代償

AssemblyAI-TTS-1は100万文字あたり15ドルです。ElevenLabs Eleven v4は80ドルです。その比率——5.3倍——は、この対決に関するあらゆる見出しが最初に挙げる数字であり、この中で最も役に立たない数字です。なぜなら、電話エージェントの背後に実際に置くモデルはEleven v4ではないからです。それはEleven v4 Turbo（100万文字あたり40ドル）か、同じく40ドルのFlash v2.5です。それらと比べると割引率は2.7倍であり、Flash v2.5——ElevenLabsがまさにこの用途向けに販売している低遅延の兄弟モデル——と比べても、AssemblyAI-TTS-1は旧来の既存勢力と戦っているわけではまったくありません。どちらもここ5週間以内にリリースされました。どちらも同じ顧客のために作られました。そのうちの一方は、もう一方が競争しないと決めた品質の上限に対して料金を払っています。

価格表はベンチマーク表よりも多くの役割を担っています

AssemblyAI-TTS-1は2026年10月27日に一般提供を開始し、評価数値はその翌日に公開されました。料金表は異例なほど均一で、入力100万文字あたり15ドル（空白と句読点を含む）です。この単一料金で、4,000以上あるライブラリの全音声、提供開始時の全言語、インスタント音声クローニング、ワードタイムスタンプ、米国またはEUでの処理のいずれもカバーされます。音声ごとの料金、同時実行数の段階、年間契約はなく、ベンダーによれば、同時に10件の呼び出しを実行しても1万件でも、文字あたりの価格は同じだといいます。

ElevenLabsの料金表はモデルごとに段階的に設定されています。2026年9月28日に発表されたEleven v4は、1000文字あたり$0.08、100万文字あたり$80の定価です。Eleven v4 TurboとFlash v2.5はいずれも1000文字あたり$0.04、100万文字あたり$40の定価です。ローンチ時のプロモーションでは2026年10月12日までv4が72%引きでしたが、その期間はすでに終了しているため、現在実際に請求されるのは$80という金額になります。

両方とも、音声エージェントのチームが予算を立てる単位に換算してください。通常の話速である毎分約150語、スペースを含めて1語あたりおよそ6文字とすると、完成した音声1分は約900文字になります。これは見積もりであって、ベンダーによる数字ではありませんが、請求の形を把握するには十分に近いものです：

• 連続音声1時間 — 約54,000文字 — の費用は、AssemblyAI-TTS-1で約$0.81、Eleven v4で$4.32、Eleven v4 Turboで$2.16です。

• 10万件の3分間通話 — 30万分、約2億7,000万文字 — にかかるコストは、AssemblyAI-TTS-1では約4,050ドル、Eleven v4では21,600ドル、Eleven v4 Turboでは10,800ドルです。

• そのワークロードにおける AssemblyAI-TTS-1 と Eleven v4 Turbo の差は、同一の通話量で月額6,750ドルです。Eleven v4 と比較すると17,550ドルです。

本当の判断はそこにあり、しかも地味な判断だ。10万コールで、品質の差分が月額6,750ドルに値するかどうかを選んでいるのだ。この対決の他のすべては、その差分が実際どれほど大きいかという話にすぎない。

100万文字あたり追加の65ドルで何が得られるか

ブラインド試聴の評価ボードでは、それは測定可能な差をもたらします。Artificial AnalysisのProvider Voice Arena（2026年10月30日時点）では、Eleven v4 Turboが1,336 Eloで1位、Eleven v4が1,334で2位、AssemblyAI-TTS-1が1,227で14位です。この尺度での107ポイント差はノイズではありません——信頼区間は重なっていません。参照録音を一定に保ち、既製音声ではなくクローン忠実度を比較するControlled Voice Arenaでは、AssemblyAI-TTS-1は1,110で10位です。

残りの差はインベントリとコントロールサーフェスであり、それはEloの差が示唆するよりも大きい。

• 言語 — AssemblyAI-TTS-1は英語、スペイン語、フランス語、ドイツ語、イタリア語、ポルトガル語の6言語で登場し、それぞれ複数のアクセントに対応しています。Eleven v4は90以上の言語をカバーし、英語話者が外国語を読み上げるのではなく、ネイティブのアクセントを備えています。

• 音声ライブラリ — AssemblyAI-TTS-1では4,000以上、Eleven v4で宣伝されている17,500以上に対して。

• クローニング — インスタントクローニングはAssemblyAI-TTS-1のみで、ベンダーが24秒のサンプルで実演しています。Eleven v4は、v3にはなくv4で復活したProfessional Voice Cloningにより、最短10秒からインスタントクローニングを組み合わせています。既存のプロフェッショナルクローンには、v4固有の再トレーニングが必要になる場合があります。

• コントロール — AssemblyAI-TTS-1 には SSML、速度パラメータ、発音辞書、感情タグが一切ありません。そのローンチ記事では、句読点や書き起こされた非流暢性は書かれたとおりに読み出され、ポーズはマークアップではなくプロンプトによって誘導されると明言されています。Eleven v4 にはスタック可能なインライン音声タグ —— [laughs]、[whispers] —— と、10,000文字のリクエスト上限があります。

• 出力と基盤 — AssemblyAI-TTS-1 は WebSocket と HTTP でストリーミングし、OpenAI 互換のエンドポイントを公開し、単語タイムスタンプを提供し、barge-in 用のキャンセルメッセージをサポートし、LiveKit と Pipecat のリファレンスエージェントを公開しています。Eleven v4 は、モデル ID eleven_v4 および eleven_v4_turbo で、ElevenAPI、ElevenAgents、ElevenCreative を通じて販売されています。

そのリストはスコアボードではなく、製品についての説明として読んでください。AssemblyAI は一つの用途のために TTS エンドポイントを構築しました。対話の1ターンを電話回線へと速く、正確に、固定価格で読み上げるためであり、スタジオ向けの調整機能は意図的に省いています。ElevenLabs は音声プラットフォームを作り続けました。あなたの製品が吹き替えやナレーション、あるいはトレーニングと管理を必要とするブランドボイスであるなら、6言語対応のエンドポイントは価格にかかわらず選択肢に入りません。

レイテンシの数値は3倍も食い違っているが、どちらも誠実な数字だ

これは、多くの報道が両方向で誤っている比較対決の一部だ。AssemblyAIのローンチ記事は、本番環境で最初の音声までの90 msと、自社ラボ試験でのTTFB中央値47 msを挙げ、6モデル中最速と説明している。自己申告の直接比較表では、ElevenLabs Flash v2.5を119 ms、Cartesia Sonic 3.6を143 ms、Inworld TTS-2 Flashを244 ms、Inworld TTS-2を280 ms、ElevenLabs v4を612 msとしている。ElevenLabs自身のドキュメントは、Turboについて最初の発話までの中央値約150 ms、推論レイテンシ中央値約100 msを主張している。

次に、独立系テスト会社のCekuraは、AssemblyAI-TTS-1のストリーミング遅延中央値を159ミリ秒と測定した。同社が計測した19モデル中8位で、全文送信時の中央値は171ミリ秒、p90は296ミリ秒だった。これはベンダーの47ミリ秒と矛盾するものではない。計測に使うストップウォッチが違うのだ。AssemblyAIはリクエストから最初のバイトまでを計測し、Cekuraは送信した最後の単語から最初の音声出力までを計測する。音声エージェントがターンをやり取りする際には、2つ目の測定の方が重要だ。なぜなら、LLMが先に文の生成を終えなければならないからだ。

正直に読み取ると、ベンダー自身の方法論ではAssemblyAI-TTS-1が比較対象の中で最速であり、ElevenLabs v4は大差で最も遅い一方、独立したエージェント型の方法論ではAssemblyAI-TTS-1は中位に位置し、その主張もElevenLabsの主張も、あなたのテレフォニー経路では未検証として扱うべきです。精査に耐える唯一のレイテンシ比較はFlash v2.5とのもので、これはこの議論に勝つために存在するElevenLabsのSKUであり、第三者が本番環境でおおよそ185〜197 msと測定しています。159 msのAssemblyAI-TTS-1はそれより速く、価格は2.7分の1です。この対決の中で、より安いこととより速いことが同じ答えになる唯一の箇所です。

AssemblyAI-TTS-1 が最初に破綻するのはどこか

スピードでも価格でもない。実際に電話をかけてくる人が口にする、そのロングテールの部分で。

Cekuraのカテゴリ別結果では、AssemblyAI-TTS-1が電話番号とコードで91.7%を記録して1位、自然さで4.50を記録して4位、文脈に応じた発音で70.8%を記録して27モデル中22位となっています。Artificial Analysisも同様に、発音の堅牢性で総合81.7%と評価しており、評価対象モデル中16位です。ただし、略記の展開に関するサブスコアが73.8%で最も弱くなっています。Covalのリーダーボードでは、単語誤り率が1.7%で、首位から0.3ポイント差、1.8%のEleven v4 TurboとCartesia Sonic 3.6、1.9%のDeepgram Aura-2を上回っています。

それらを並べてみると、特定の失敗モードが浮かび上がる。このモデルは数字を声に出して読むのは非常に得意だが、略語、住所、口座コードをどう発音すべきか判断するのは明らかに弱い。まさにそれが発音辞書が修正する類のエラーであり、AssemblyAI-TTS-1 はまだそれを搭載していない。もしエージェントが注文IDを読み上げるなら、あなたは最良の機能がそれをカバーし、最悪の機能が設定で回避できないまさにそのものになるモデルを買っていることになる。

同じ問題に対するElevenLabsの答えは、より良いスコアではなく、より細かな制御です。辞書、タグ、速度、そして自分の参照音声で訓練されたプロフェッショナルなクローン。100万文字あたり65ドル多く支払うのは、末尾を自分で修正できるようにするためです。

エージェントの残りの半分は、まだ別の請求書に計上されています

TTSモデルが音声エージェント内で単独で動作することはありません。それは文章を書く言語モデルの背後で動作し、ほとんどのスタックでは、その言語モデルこそがより大きな費目であり、より変動しやすいベンダー関係を持つ層です。OrcaRouterがカバーするのはまさにそのレイヤーです：プロバイダーの定価で0%のマークアップで200以上のモデルに対応する単一のAPI、プロバイダーが劣化した際の自動フェイルオーバー、モデルを単一の呼び出しに組み合わせるためのルーティングDSL、そして1つの回答では不十分な場合のモデルフュージョンを提供します。

正直な注意点が2つあります。第一に、AssemblyAI-TTS-1は現在OrcaRouterのカタログにはありません — 当社が提供する音声ルートはOpenAIのtts-1、tts-1-hd、gpt-4o-mini-ttsとGoogleのGemini TTSプレビューです — ですから、これはここでこのモデルを買うための売り込みではありません。第二に、そしてより有益なのは、マークアップがゼロでプロバイダーの定価がそのまま反映されるため、ルーティングするTTSモデルがどれであっても、ベンダーの値下げは同じ日に請求書に反映されます。これが、上記の$80から$40への料金ティアの入れ替えを、ただ読むだけでなく注視する価値があるものにする仕組みです。

月曜日に何をするか

3つの質問が、どんなベンチマークよりも速くこれを決める。

あなたのエージェントが、AssemblyAI-TTS-1が提供開始時にサポートしていた6言語以外の言語を話す必要がありますか？ それなら比較は終わりです。しかも、品質ではなくカバレッジの点で終わりです。言語リストが増えるのを待つか、ElevenLabsにお金を払ってください。

あなたのエージェントは、識別子・コード・住所を顧客に読み上げますか？ それなら、採用を決める前に自分の文字列で AssemblyAI-TTS-1 をテストしてください。というのも、独立した発音の数値はその実績の中で最も弱い部分であり、設定による回避手段はまだ存在しないからです。ベンダーが自社の580項目セットで報告した93.7%というエンティティ精度 — Eleven v4 の93.6%、Flash v2.5 の68.0%と比較して、ベンダー報告済みで未再現 — は、Cekura の文脈スコアが示すこととは正反対を言っています。そのどちらか一方はあなたのワークロードを測定していますが、どちらなのかは分かりません。

その声はあなたのもので、学習・管理されていますか？ それならElevenLabsが、ほぼ議論の余地なく候補になる。24秒からのインスタントクローンは使用可能な声IDを生み出すが、守れるブランド資産を生み出すわけではない。

答えが「6言語」「いいえ」「いいえ」であれば — 大規模に展開する電話エージェントが通常の会話ターンを読み取るのであれば — 無制限の同時実行と同時実行料金なしの15ドルのAssemblyAI-TTS-1が、より安価で、独立したレイテンシ測定ではより高速な選択肢であり、品質差は107 Eloに相当するブラインド選好にすぎず、それを埋めるために月額6,750ドルを支払う必要はありません。フェイルオーバー経路の背後に配置し、自社の通話録音に対して1か月間実行し、コーパスの裾野が略語だらけになる日に備えてFlash v2.5をフォールバックとして組み込んでおきましょう。

それがこの対決の構図のすべてだ。一方のベンダーは上限を、もう一方は下限を売っていて、どちらもそれに見合った価格設定になっている。そして、ここで犯しうる唯一の高くつく過ちは、決してそこまで届かないワークロードに対して上限のほうを買ってしまうことだ。