AssemblyAI-TTS-1, 100만 자당 $15: 보이스 에이전트 가격 하한선이 움직였다

AssemblyAI-TTS-1은 2026년 10월 27일 입력 문자 100만 개당 15달러로 정식 출시되었으며, 중요한 숫자는 헤드라인에 나온 숫자가 아니라 나눈 후에 나오는 숫자입니다. 정상적인 말하기 속도인 초당 약 15자를 기준으로 하면 100만 자는 완성된 오디오 약 18시간 분량으로, 이 모델은 음성 1시간당 약 81센트에 가깝습니다. 속도 부문의 선두 주자인 Cartesia Sonic 3.6은 문자 100만 개당 49달러, 즉 시간당 약 2.70달러를 청구합니다. ElevenLabs v4는 80달러, 즉 시간당 약 4.40달러를 청구합니다. 이는 AssemblyAI의 첫 독립형 텍스트 투 스피치 모델입니다. 이 회사는 이번 주까지 음성 투 텍스트 공급업체였으며, 이제 시장 리더가 동일한 작업 단위에 대해 3~5배 더 많은 비용을 청구하는 시장에 발을 들였습니다.

이 주장에는 즉각적인 단서가 붙어야 한다. 여기에는 세 가지 서로 다른 종류의 수치를 세 개의 서로 다른 주체가 제공하고 있기 때문이다. 가격은 AssemblyAI 자체가 공개한 요율표에 따른 것으로, 회사의 가격 페이지에서 확인할 수 있다. 지연 시간 수치는 AssemblyAI가 다섯 경쟁사 제공자를 대상으로 진행한 실험실 테스트에서 나온 것으로, 30개 프롬프트, 3회 반복, 모델당 기본 음성 4개, 한 번에 하나의 요청이라는 조건이었다. 리더보드 순위는 Artificial Analysis가 독립적으로 측정한 것이다. 이 기사가 AssemblyAI 자체의 품질 평가 — 개체 정확도, 예측 MOS, 운율, 복제 유사도 — 를 인용하는 부분은 공급업체가 보고한 것이며, AssemblyAI 외부에서 이를 재현한 사람은 아무도 없다. 지금까지 확보된 진정으로 독립적인 지연 시간 측정 하나는 마케팅보다 덜 호의적인 지점을 가리키며, 바로 그 점을 앞세우는 것이 좋다.

한 화면에 담은 사양서

• 가격 — 입력 문자 100만 개당 $15이며, 공백과 문장부호를 포함한 텍스트를 기준으로 청구됩니다. 모든 라이브러리 음성과 모든 언어가 포함되며, 음성별 또는 동시 접속 요금은 없습니다.

• 보이스 — 라이브러리에 4,000개 이상이 있으며, 짧은 참조 샘플로 즉석 복제도 가능합니다(데모에서는 24초 오디오를 사용했습니다)

• 언어 — 출시 시 영어, 스페인어, 프랑스어, 독일어, 이탈리아어, 포르투갈어를 지원하며 여러 악센트를 제공하고, 다음 차수에 대한 일정은 공개되지 않음

• 지연 시간 — 프로덕션 환경 기준 첫 오디오까지 90ms로 제시되었으며, 회사는 이를 보수적인 수치라고 설명; 자체 실험실 비교에서는 첫 바이트까지 중앙값 47ms

• 처리량 — Artificial Analysis에서 초당 162자로, 148.6인 Cartesia Sonic 3.6보다 앞섭니다

• 인터페이스 — HTTP, 끼어들기(barge-in)를 위한 취소 메시지를 지원하는 WebSocket, 그리고 OpenAI 호환 라우트; LiveKit 및 Pipecat 참조 에이전트가 함께 제공됩니다

• 출력 — 8~48kHz의 PCM, mu-law, A-law, 24kHz 네이티브, 오디오와 함께 단어 수준 타임스탬프 반환

• 데이터 상주 위치 및 한도 — 동일한 가격으로 미국 또는 EU에서 처리, 종량제 요금제에서 동시 처리 무제한, 연간 계약이나 등급 구매 불필요

• 아직 아닙니다 — SSML도, 속도 매개변수도, 발음 사전도, 감정 태그도, 미세 조정된 "pro" 클로닝도 없습니다

그중 두 줄은 나머지보다 더 많은 상업적 역할을 합니다. 정가로 무제한 동시 처리를 제공하는 것은 대규모 음성 에이전트 도입 시 대부분의 TTS 업체가 앞에 내미는 협상 절차를 없앱니다. 여기서 분당 동시 처리 등급은 문자당 요금을 앞지를 수 있습니다. 또한 공백과 구두점까지 계산하는 과금은 정직하지만 공짜는 아닙니다. 1,000단어 분량의 스크립트는 공백과 쉼표를 포함하면 대략 6,000자이므로, 발화 단어당 실효 가격은 단어당 가격과 단순 비교했을 때보다 높습니다. AssemblyAI도 이를 숨기지 않습니다. 가격 페이지에 분명히 적혀 있습니다. 하지만 실제 스크립트에서는 3배라는 표면상 격차를 2.7배로 바꾸는 것이 바로 이런 종류의 세부 사항입니다.

47ms라는 숫자가 왜 이렇게 큰 비중을 차지하는가

출시 게시물은 속도를 앞세우며, 그 근거가 되는 테스트는 경쟁사와 방법을 명시하기 때문에 대부분의 벤더 비교보다 더 많은 정보를 준다. 첫 바이트까지 걸리는 시간의 중앙값, 단일 클라이언트, 순차 요청 기준: AssemblyAI-TTS-1은 47ms, ElevenLabs Flash v2.5는 119ms, Cartesia Sonic 3.6은 143ms, Inworld TTS-2 Flash는 244ms, Inworld TTS-2는 280ms, ElevenLabs v4는 612ms다. 이 설정을 받아들인다면 AssemblyAI는 단순히 빠른 정도가 아니라, 가격 경쟁 대상으로 삼는 모델인 Cartesia Sonic 3.6보다 첫 바이트까지 약 3배 빠르고, ElevenLabs Flash v2.5보다 2.5배 빠르다.

이 설정이 말해주지 못하는 것은 부하 상태에서 무슨 일이 일어나는가입니다. 단일 클라이언트가 한 번에 하나의 요청을 보내는 것은 모델을 측정할 뿐 서비스를 측정하는 것은 아닙니다. 대기열도, 동시성 경합도, 콜드 스타트 경로도, 리전 간 네트워크 홉도 없습니다. 90 ms라는 프로덕션 수치는 회사가 그 점을 감안하려는 자체 시도이며, 47 ms와 90 ms 사이의 격차는 대략 실험실 테스트가 볼 수 없는 현실 세계의 페널티 크기입니다. 음성 에이전트를 대규모로 운영해 본 사람이라면 이는 TTS 지연 시간 마케팅의 표준 형태임을 알아볼 것입니다. 벤치마크 슬라이드용 깔끔한 실험실 수치, 가격 대화용으로 좀 더 무른 프로덕션 수치, 그리고 엔드포인트에서 멀리 떨어진 리전의 공용 네트워크에 올라가야만 비로소 등장하는 세 번째 수치입니다.

그 세 번째 수치는 이제 실제로 존재하며, 더 나쁩니다. 독립 음성 에이전트 평가 업체인 Cekura는 에이전트 스타일 문장 테스트 세트 전반에서 AssemblyAI-TTS-1의 중앙값 스트리밍 지연 시간을 159 ms로 측정했습니다. 이는 19개 시스템 중 1위가 아니라 8위에 해당합니다. Cekura는 또한 읽기 정확도를 81.5%로 채점했는데, 이는 ElevenLabs v4의 80.4%와 사실상 동일한 수준이며, 전화번호 및 코드 부문에서는 91.7%로 AssemblyAI를 1위, 자연스러움 부문에서는 4.50으로 4위로 평가했습니다. 두 출처를 함께 읽으면 일관된 그림이 형성됩니다: AssemblyAI-TTS-1은 말을 시작하는 속도가 정말 빠르고, 발음하기 어려운 토큰에 특별히 강하지만, 실제 스트리밍 경로가 연결되면 보드에서 가장 빠른 것은 아닙니다.

두 개의 Artificial Analysis 아레나, 두 가지 다른 이야기

Artificial Analysis는 두 개의 TTS 보드를 운영하며, 각각 다른 것을 측정합니다. Provider Voice 아레나에서는 각 모델이 자체 네이티브 음성으로 말하고, Controlled Voice 아레나에서는 모든 모델이 동일한 여덟 개의 클론 음성을 사용하도록 강제합니다. 이 구분은 이번 출시에서 가장 유용한 점인데, AssemblyAI-TTS-1이 자체 카탈로그보다 통제된 보드에서 더 높은 점수를 받기 때문입니다.

• Provider Voice — Elo 1,227, 데뷔 시 12위, 평가된 출전 1,626회. 이틀 후 실시간 보드에서는 1,227점으로 14위를 기록한다. 점수는 같지만 순위는 더 낮다. 두 모델이 그 위로 진입했기 때문이다.

• Controlled Voice — Elo 1,110, 데뷔전 10위, 출전 1,674회. 실시간 보드에는 이제 10위로 1,108이 표시됩니다.

• 발음 강건성 — 2,115개의 평가된 클립에서 81.7%, 해당 순위표에서 16위.

• 생성 속도 — 초당 162자.

복제된 음성들 사이에서 자체 4,000개 음성 라이브러리보다 더 높은 순위를 기록하는 모델은 특정한 메시지를 전달합니다. 음향은 경쟁력이 있지만 음성 설계는 아직 차별화 요소가 아니라는 것입니다. 오픈 웨이트 부문 선두주자인 Breeze TTS 2는 정확히 반대 패턴을 보여줍니다. 제공자 음성에서는 강하고 통제된 음성에서는 약합니다. 그리고 바로 이 비교에서 흥미로운 점이 드러납니다. AssemblyAI는 광범위하고 저렴하며 유능한 카탈로그를 구축했지만, 자체적인 우수성으로 블라인드 청취 테스트에서 승리하는 음성은 아직 구축하지 못했습니다.

순위 변동은 실용적인 이유에서 주목할 만하다. 이번 출시를 다루는 모든 애그리게이터는 Artificial Analysis의 발표 게시물에서 "Provider Voice 부문 톱 12"를 인용하고 있으며, 이 글을 읽을 때쯤에는 같은 점수가 15위나 16위에 와 있을 수도 있다. 그건 AssemblyAI의 품질이 떨어진 것이 아니다. 소수의 Elo 점수가 다섯 계단을 가르고, 거의 매주 새로운 항목이 들어오는 리더보드일 뿐이다. Elo를 판단하고, 읽은 날짜를 기록하며, 두 계단의 하락을 퇴보로 여기지 말라.

공급업체 평가가 강해 보이는 부분과 그렇지 않은 부분

AssemblyAI는 대부분의 TTS 출시보다 더 완전한 수치 세트를 공개했으며, 그 수치는 모두 자사 자체 작업으로, 모두 50개의 공유 복제 음성을 대상으로 테스트되었고 생성된 오디오는 자사의 Universal-3.5 Pro recogniser를 통해 다시 전사되었습니다. 이 방법론은 타당합니다 — 오디오를 ASR 모델을 통해 라운드트립하는 것은 명료도에 대한 합리적인 대리 지표입니다 — 그리고 이는 여전히 벤더가 설계하고 채점한 테스트입니다.

• 어려운 대상(전화번호, URL, 확인 코드, 약물명)에 대한 개체 정확도 — AssemblyAI-TTS-1은 93.7%, ElevenLabs v4는 93.6%, Cartesia Sonic 3.6은 82.5%, ElevenLabs Flash v2.5는 68.0%입니다. ElevenLabs v4보다 0.1점 높은 것은 승리의 옷을 입은 무승부일 뿐이며, Sonic 3.6보다 11점 앞선 것이 진짜 발견입니다.

• 단어 정확도 — 99.0%로, 상한에 충분히 가까워 좋은 모델들 간의 변별력이 사라진다.

• 예측 MOS — 3.85, 그리고 여기서 AssemblyAI는 뒤처집니다: Inworld TTS-2 Flash는 같은 척도에서 3.88점을 기록하며, Cartesia Sonic 3.6은 3.82점이고 ElevenLabs의 두 모델은 그 아래입니다. 공급업체 자체 표에서도 이를 1위로 두지 않습니다.

• TTSDS 운율 — 85.5, 게시물에서 타사 간 비교 기준치가 없는 수치.

• 클론 화자 유사도 — 0.64. 이는 즉석 복제에는 낮은 수치이며, 제공업체 기준 배치보다는 통제된 아레나에서의 배치와 일치합니다.

그 표에 대한 정직한 요약은 출시 문구보다 범위가 좁습니다. AssemblyAI-TTS-1은 어려운 문자열을 정확히 처리하는 능력이 뛰어나고, 명료성에서는 경쟁력이 있으며, 자연스러움에서는 중위권이고, 클론할 때 목소리 정체성에서는 가장 약합니다. 계좌번호와 우편번호를 읽는 음성 에이전트에게는 첫 번째 줄이 성과를 내는 부분입니다. 내레이션 오디오북이나 캐릭터 음성에게는 마지막 두 줄이 중요한 부분이며, 이 모델은 선택지가 아닙니다.

아직 할 수 없는 것, 그리고 그것이 당신에게 치르게 하는 비용

기능상의 공백은 첫 릴리스에서는 흔한 일이지만, 이 카테고리에서는 유난히 중대한 결과를 초래합니다. SSML이 없어서 텍스트를 다시 쓰지 않고는 일시정지, 강조, 발음을 강제할 신뢰할 만한 방법이 없습니다. 속도 매개변수가 없으므로 속도 조절은 더 많거나 더 적은 단어를 생성해 상위 단계에서 처리해야 합니다. 맞춤 발음 사전도 없습니다. 개체 정확도가 대표 강점인데도 말이죠 — 모델이 브랜드 이름을 잘못 발음할 때 사전을 넘겨줄 수 없고, 오직 텍스트의 표기만 바꿔 기대하는 수밖에 없습니다. 감정 태그와 미세 조정된 프로 클로닝은 업체가 직접 밝힌 대로 모두 "곧 출시 예정"이며, 출시 페이지의 "네이티브 감정"이라는 제목은 전용 감정 제어가 제공되지 않는다고 말하는 FAQ 바로 옆에서 어색하게 놓입니다.

언어 지원 범위가 더 분명한 제약입니다. 출시 당시 6개 언어를 지원하며, Cartesia Sonic 3.6의 44개 언어, Breeze TTS 2가 지원한다고 주장하는 50개 언어와 대비됩니다. 다만 Breeze 자체 모델 카드에는 영어와 중국어만 표기되어 있다는 단서가 있습니다. 에이전트가 같은 주에 독일어 발신자와 포르투갈어 발신자에게 응답해야 한다면 AssemblyAI는 둘 다 지원합니다. 폴란드어, 일본어, 아랍어가 필요하다면 지원하지 않으며, 지원 시기에 대해서도 날짜가 제시되지 않았습니다.

실제로 받는 방법

AssemblyAI-TTS-1은 공급업체 자체 API에서 제공됩니다 — HTTP, WebSocket, 그리고 OpenAI 호환 엔드포인트 — 미국과 EU 호스트가 동일 가격이며, $50 가입 크레딧과 함께 나열된 시작점은 pay-as-you-go만입니다. 그 외에는 여러 타사 플랫폼을 통해 이용할 수 있습니다. 현재 OrcaRouter 카탈로그에는 없으며, 있는 척하지 않겠습니다. 이번 주에 필요하시다면 공급업체의 API가 직접적인 경로입니다.

이번 출시에서 우리가 정말 우려하는 부분은 이 출시가 만들어내는 의사결정의 형태입니다. 음성 에이전트는 음성 인식, 언어 모델, 음성 합성으로 구성된 세 모델 파이프라인이며, 이제 TTS 구간은 가격 격차가 가장 크고 최신 진입자가 가장 많은 구간입니다. 바로 그 구간이야말로 확정하기 전에 두 번째 옵션을 연결해 두고 싶은 곳입니다. 단일 고객 지연 테스트만 있고 독립적인 부하 테스트는 없는 최신 모델은 폴백 뒤에 두어야 하는 구성 요소의 정의 그 자체이기 때문입니다. 하나의 API를 통해 200개 이상의 모델을 라우팅하는 것을 0% 마크업으로 제공하는 것이 우리가 하는 일입니다. 공급업체의 목록 가격을 그대로 전달해 가격 인하가 같은 날 반영되도록 하고, 자동 장애 조치를 통해 한 공급업체의 좋지 않은 하루가 에이전트를 중단시키지 않도록 합니다. 오늘 우리가 라우팅하는 TTS 모델은 OpenAI의 tts-1, tts-1-hd 및 gpt-4o-mini-tts와 함께 Google의 Gemini 3.1 Flash TTS Preview입니다 — AssemblyAI-TTS-1이 자체 트래픽이 아니라 고객님의 트래픽에서 실력을 입증하는 동안 사용할 수 있는 두 번째 구간입니다.

무엇이 판결을 바꿀까요?

결정을 얼마나 흔들 수 있을지 순서대로 세 가지입니다. 첫째, 실제 동시성 환경에서의 독립적인 지연 시간 측정입니다. Cekura의 159ms 스트리밍 수치는 지금까지 유일한 외부 측정값이며, 단일 연구소에서 나온 단 하나의 숫자입니다. 두 번째 연구소가 47ms의 첫 바이트 이점을 재현하든, 재현하지 못하든, 그것은 속도 주장이 대기열과 맞닥뜨렸을 때 살아남는지를 판가름할 것입니다. 둘째, 발음 사전입니다. 엔터티 정확도는 모델의 가장 큰 논거이자, 동시에 모델이 한 번도 본 적 없는 제품명 때문에 프로덕션에서 무너질 가능성이 가장 큰 역량이기도 합니다. 사전을 출시하는 것은 벤치마크 승리를 운영상의 승리로 바꿔 줍니다. 셋째, 여섯 개 언어가 나머지 로드맵과 같은 일정으로 성장하는지 여부입니다. 가격 이점은 커버리지가 따라잡을 때에만 복리로 커지기 때문입니다.

그것들이 출시되기 전까지, 이번 출시에 대한 올바른 해석은 좁지만 유용하다: AssemblyAI-TTS-1은 10년간 음성 인프라를 구축해 온 벤더가 내놓은 시장에서 가장 저렴한 신뢰할 만한 TTS API이며, 실험실에서는 빠르고 현존하는 유일한 외부 테스트에서도 충분히 빠르며, 비교 대상 중 어떤 것보다 까다로운 문자열을 더 잘 읽고, 자연스러움에서는 중간 수준이며 복제된 정체성에서는 약하다. 이는 6개 언어의 대용량 에이전트에는 강력한 구매이고, 독특한 음성이 필요한 모든 용도에는 시기상조의 구매다.