AssemblyAI-TTS-1 vs ElevenLabs Eleven v4: 5.3배 더 저렴한 것이 무엇을 주고, 무엇을 치르게 하는가

AssemblyAI-TTS-1의 비용은 문자 100만 개당 15달러입니다. ElevenLabs Eleven v4의 비용은 80달러입니다. 그 비율 — 5.3배 — 은 이 맞대결에 관한 모든 헤드라인이 가장 먼저 내세우는 숫자이며, 그중 가장 쓸모없는 숫자입니다. 왜냐하면 실제로 전화 에이전트 뒤에 두게 될 모델은 Eleven v4가 아니기 때문입니다. 그것은 문자 100만 개당 40달러인 Eleven v4 Turbo이거나, 역시 40달러인 Flash v2.5입니다. 그들과 비교하면 할인율은 2.7배이고, Flash v2.5 — ElevenLabs가 바로 이 용도를 위해 판매하는 저지연 형제 제품 — 와 비교하면 AssemblyAI-TTS-1은 기존 강자와 싸우는 것도 전혀 아닙니다. 둘 다 지난 5주 안에 출시되었습니다. 둘 다 같은 고객을 위해 만들어졌습니다. 그중 하나는 다른 하나가 경쟁하지 않기로 결정한 품질 상한선에 대한 비용을 치르고 있습니다.

가격 표가 벤치마크 표보다 더 많은 역할을 하고 있다

AssemblyAI-TTS-1은 2026년 10월 27일 정식 제공되기 시작했으며, 평가 수치는 하루 뒤에 공개되었습니다. 이 제품의 요금표는 이례적으로 단일화되어 있습니다. 입력 문자 100만 자당 15달러이며 공백과 구두점도 포함되고, 이 단일 요율로 4,000개 이상의 음성 라이브러리에 있는 모든 음성, 모든 출시 언어, 즉시 음성 복제, 단어 타임스탬프, 그리고 미국 또는 EU에서의 처리까지 모두 커버합니다. 음성별 요금도, 동시성 등급도, 연간 계약도 없으며, 공급업체는 동시 호출을 10건 실행하든 1만 건 실행하든 문자당 가격은 동일하다고 말합니다.

ElevenLabs의 요금표는 모델별로 등급이 나뉘어 있습니다. 2026년 9월 28일에 발표된 Eleven v4는 1,000자당 $0.08, 즉 100만 자당 $80으로 책정되어 있습니다. Eleven v4 Turbo와 Flash v2.5는 모두 1,000자당 $0.04, 즉 100만 자당 $40입니다. 출시 프로모션으로 2026년 10월 12일까지 v4가 72% 인하되었지만, 해당 기간은 종료되었으므로 이제 실제로 청구되는 금액은 $80입니다.

두 가지 모두 음성 에이전트 팀이 예산을 책정하는 단위로 환산하세요. 분당 약 150단어의 정상 발화 속도와 공백을 포함해 단어당 대략 6자라는 기준을 적용하면, 완성된 음성 1분은 약 900자입니다. 이는 추정치일 뿐 공급업체가 제시한 수치는 아니지만, 청구서의 규모를 파악하기에는 충분히 근접합니다:

• 1시간 동안 이어지는 발화 — 약 54,000자 — 에 드는 비용은 AssemblyAI-TTS-1에서 대략 $0.81, Eleven v4에서 $4.32, Eleven v4 Turbo에서 $2.16입니다.

• 10만 건의 3분 통화 — 30만 분, 약 2억 7천만 자 — 비용은 AssemblyAI-TTS-1에서 약 $4,050, Eleven v4에서 $21,600, Eleven v4 Turbo에서 $10,800입니다.

• 해당 워크로드에서 AssemblyAI-TTS-1과 Eleven v4 Turbo의 차이는 동일한 통화량 기준 월 $6,750입니다. Eleven v4와 비교하면 $17,550입니다.

그게 진짜 결정이고, 참 재미없는 결정입니다: 10만 건의 통화 기준으로 품질 차이가 월 6,750달러의 가치가 있는지 선택하는 겁니다. 이 대결에서 나머지는 모두 그 차이가 실제로 얼마나 큰지에 관한 것입니다.

백만 문자당 65달러를 추가로 지불하면 무엇을 얻을 수 있는가

블라인드 청취 보드에서, 그것은 측정 가능한 수준의 이점을 제공한다. 2026년 10월 30일 기준으로 확인한 Artificial Analysis의 Provider Voice Arena에서는 Eleven v4 Turbo가 1,336 Elo로 1위, Eleven v4가 1,334로 2위를 차지하며, AssemblyAI-TTS-1은 1,227로 14위에 올랐다. 해당 척도에서 107점 차이는 노이즈가 아니다 — 구간은 겹치지 않는다. 참조 녹음을 고정해 비교가 스톡 음성이 아니라 클로닝 충실도에 관한 것이 되도록 하는 Controlled Voice Arena에서, AssemblyAI-TTS-1은 1,110으로 10위에 위치한다.

격차의 나머지는 인벤토리와 컨트롤 표면이며, 이는 Elo 차이가 시사하는 것보다 더 큽니다:

• 언어 — AssemblyAI-TTS-1은 영어, 스페인어, 프랑스어, 독일어, 이탈리아어, 포르투갈어 등 6개 언어로 출시되었으며 각 언어마다 여러 악센트를 지원합니다. Eleven v4는 90개 이상의 언어를 지원하며, 영어 화자가 외국어를 읽는 방식이 아닌 각 언어의 원어민 악센트를 제공합니다.

• 음성 라이브러리 — AssemblyAI-TTS-1은 4,000개 이상인 반면, Eleven v4는 17,500개 이상을 광고합니다.

• 클로닝 — 즉석 클로닝은 AssemblyAI-TTS-1에서만 지원되며, 벤더가 24초짜리 샘플로 시연합니다. Eleven v4는 Professional Voice Cloning을 통해 최소 10초만으로도 즉석 클로닝이 가능하며, 이 기능은 v3에서는 빠졌다가 v4에서 다시 돌아왔습니다. 기존 전문 클론은 v4 전용 재훈련이 필요할 수 있습니다.

• 제어 기능 — AssemblyAI-TTS-1은 SSML, 속도 매개변수, 발음 사전, 감정 태그가 전혀 없이 출시됩니다. 출시 게시물은 구두점과 글로 표기된 비유창성이 쓰인 그대로 읽히며, 일시 멈춤은 마크업이 아니라 프롬프트로 유도된다고 분명히 밝힙니다. Eleven v4는 중첩 가능한 인라인 오디오 태그 — [laughs], [whispers] — 와 10,000자 요청 제한을 제공합니다.

• 출력 및 연결 체계 — AssemblyAI-TTS-1은 WebSocket 및 HTTP를 통해 스트리밍하고, OpenAI 호환 엔드포인트를 제공하며, 단어 타임스탬프를 함께 제공하고, 끼어들기(barge-in)를 위한 취소 메시지를 지원하며, LiveKit 및 Pipecat 참조 에이전트를 공개합니다. Eleven v4는 ElevenAPI, ElevenAgents, ElevenCreative를 통해 모델 ID eleven_v4 및 eleven_v4_turbo로 판매됩니다.

그 목록을 점수판이 아니라 제품 설명으로 읽어 보세요. AssemblyAI는 한 가지 작업, 즉 대화의 한 턴을 빠르고 정확하게, 고정된 가격으로 전화선에 읽어 넣기 위한 TTS 엔드포인트를 만들었고, 스튜디오 제어 기능은 의도적으로 제외했습니다. ElevenLabs는 계속 음성 플랫폼을 구축해 왔습니다. 여러분의 제품이 더빙, 내레이션, 또는 학습과 거버넌스가 필요한 브랜드 보이스라면, 6개 언어 엔드포인트는 가격과 무관하게 고려 대상이 아닙니다.

지연 시간 수치는 세 배나 차이가 나는데, 둘 다 정직한 값이다.

이 부분이 바로 이 비교에서 대부분의 보도가 양방향 모두 잘못 짚는 지점이다. AssemblyAI의 출시 게시물은 운영 환경에서 첫 오디오까지 90 ms, 자체 실험실 테스트에서 첫 바이트까지 중앙값 47 ms를 인용하며, 이를 6개 모델 중 가장 빠르다고 설명한다. 자체 보고한 일대일 비교 표에서는 ElevenLabs Flash v2.5를 119 ms, Cartesia Sonic 3.6을 143 ms, Inworld TTS-2 Flash를 244 ms, Inworld TTS-2를 280 ms, ElevenLabs v4를 612 ms로 표기한다. ElevenLabs의 자체 문서는 Turbo에 대해 첫 음성까지 중앙값 약 150 ms, 중앙값 추론 지연 약 100 ms를 주장한다.

그다음 독립 테스트 업체인 Cekura는 AssemblyAI-TTS-1의 중앙값 스트리밍 지연 시간을 159ms로 측정했는데, 이는 Cekura가 시간을 측정한 19개 모델 중 8위였으며, 전체 텍스트를 전송했을 때 중앙값은 171ms, p90은 296ms였습니다. 이는 벤더가 말한 47ms와 모순되지 않습니다. 서로 다른 스톱워치인 셈입니다. AssemblyAI는 요청부터 첫 바이트까지를 재고, Cekura는 마지막 단어가 전송된 시점부터 첫 오디오가 나올 때까지를 잽니다. 턴을 협상하는 음성 에이전트는 두 번째 측정치를 더 중요하게 여기는데, LLM이 먼저 문장 생성을 끝내야 하기 때문입니다.

그러므로 정직하게 해석하면, 벤더 자체 방법론에서는 AssemblyAI-TTS-1이 비교 대상 중 가장 빠르고 ElevenLabs v4가 큰 격차로 가장 느리지만, 독립적인 에이전트 형태 방법론에서는 AssemblyAI-TTS-1이 중간권에 위치하며 그 주장과 ElevenLabs의 주장 모두 귀하의 텔레포니 경로에 대해서는 검증되지 않은 것으로 취급해야 합니다. 면밀한 검토를 견디는 유일한 지연 시간 비교는 Flash v2.5 대비이며, 이는 바로 이 논쟁에서 이기기 위해 존재하는 ElevenLabs SKU이고 제3자들이 실제 운영 환경에서 대략 185~197 ms로 측정한 제품입니다. 159 ms의 AssemblyAI-TTS-1은 그보다 빠르고, 가격은 2.7배 낮습니다. 이 비교에서 더 저렴함과 더 빠름이 같은 답이 되는 유일한 지점입니다.

AssemblyAI-TTS-1이 가장 먼저 무너지는 지점

속도도, 가격도 아니다. 실제 통화자가 말하는 것들의 롱테일이다.

Cekura의 카테고리별 결과에서 AssemblyAI-TTS-1은 전화번호와 코드 부문에서 91.7%로 1위, 자연스러움 부문에서 4.50으로 4위, 문맥 기반 발음 부문에서 70.8%로 27개 중 22위를 기록했습니다. Artificial Analysis도 마찬가지로 발음 견고성에서 전체 81.7%를 부여해 자사가 평가한 모델 중 16위로 나타났으며, 가장 취약한 세부 점수는 약어 확장으로 73.8%였습니다. Coval의 리더보드에서는 단어 오류율이 1.7%로, 선두보다 0.3%포인트 뒤지고 Eleven v4 Turbo와 Cartesia Sonic 3.6의 1.8%, Deepgram Aura-2의 1.9%보다 앞섰습니다.

그것들을 나란히 놓고 보면 특정한 실패 방식이 드러납니다: 이 모델은 숫자를 소리 내어 읽는 일은 아주 잘하지만, 약어, 주소, 계정 코드를 어떻게 발음해야 하는지 판단하는 일은 눈에 띄게 약합니다. 바로 그런 부류의 오류를 발음 사전이 해결해 주는데, AssemblyAI-TTS-1은 아직 그런 사전을 제공하지 않습니다. 에이전트가 주문 ID를 읽는다면, 가장 좋은 기능은 그 일을 커버하지만 가장 나쁜 기능은 설정으로 피해 갈 수 없는 바로 그 부분인 모델을 구매하는 셈입니다.

같은 문제에 대한 ElevenLabs의 답은 더 나은 점수가 아니라 더 정밀한 제어입니다. 사전, 태그, 속도, 그리고 자신의 레퍼런스로 훈련된 전문가 수준의 클론이 그것입니다. 백만 글자당 65달러를 더 지불하는 이유는 마지막 잔여 구간을 스스로 다듬을 수 있는 능력 때문입니다.

에이전트의 나머지 절반은 여전히 다른 청구서에 청구되어 있습니다

TTS 모델은 음성 에이전트에서 단독으로 실행되지 않습니다. 문장을 작성하는 언어 모델 뒤에서 실행되며, 대부분의 스택에서 그 언어 모델이 더 큰 비용 항목이자 공급업체 관계가 더 불안정한 계층입니다. 바로 그 계층을 OrcaRouter가 담당합니다: 200개 이상의 모델을 공급업체 정가에 0% 마진으로 이용할 수 있는 단일 API, 공급업체 성능 저하 시 자동 장애 조치, 모델을 하나의 호출로 조합할 수 있는 라우팅 DSL, 그리고 하나의 답으로 충분하지 않을 때의 모델 융합까지.

두 가지 솔직한 전제가 있습니다. 첫째, AssemblyAI-TTS-1은 현재 OrcaRouter의 카탈로그에 없습니다. 저희가 제공하는 음성 라우트는 OpenAI의 tts-1, tts-1-hd, gpt-4o-mini-tts와 Google의 Gemini TTS 프리뷰이므로, 이는 여기서 해당 모델을 구매하라는 제안이 아닙니다. 둘째, 그리고 더 유용한 점은 마크업이 0이고 공급자 정가가 그대로 전달되므로, 라우팅하는 TTS 모델의 공급업체 가격 인하가 같은 날 청구서에 반영된다는 것입니다. 바로 이것이 위의 80달러에서 40달러로의 티어 변동을 단지 읽어보는 것이 아니라 주목할 만한 일로 만들어 주는 메커니즘입니다.

월요일에 무엇을 할까

세 가지 질문이 어떤 벤치마크보다 더 빠르게 이 문제를 판가름합니다.

에이전트가 AssemblyAI-TTS-1이 출시 당시 지원한 여섯 개 언어 이외의 언어를 말해야 하나요? 그렇다면 비교는 끝입니다. 그리고 그것은 품질이 아니라 지원 범위에서 끝난 것입니다. 언어 목록이 늘어날 때까지 기다리거나 ElevenLabs에 비용을 지불하세요.

귀하의 에이전트가 고객에게 식별자, 코드 또는 주소를 소리 내어 읽어 주나요? 그렇다면 도입을 확정하기 전에 자체 문자열로 AssemblyAI-TTS-1을 테스트하세요. 독립적인 발음 수치가 이 제품 실적에서 가장 약한 부분이고, 구성 우회 수단은 아직 존재하지 않기 때문입니다. 공급업체가 자체 580개 항목 세트에서 보고한 93.7%의 엔터티 정확도는 — Eleven v4의 93.6%, Flash v2.5의 68.0%와 비교되며, 공급업체 보고 수치이고 재현되지 않은 값입니다 — Cekura의 문맥 점수가 말하는 것과 정반대를 말합니다. 그 둘 중 하나는 귀하의 워크로드를 측정하고 있지만, 어느 쪽인지는 알 수 없습니다.

당신의 목소리라면, 훈련되고 관리되고 있는가? 그렇다면 별다른 논란 없이 ElevenLabs다. 24초에서 즉시 복제하면 쓸 만한 음성 ID가 생기지만, 지켜낼 수 있는 브랜드 자산이 생기는 것은 아니다.

답이 '6개 언어', '아니요', '아니요'라면 — 대규모로 일반 대화 턴을 읽는 전화 에이전트 기준으로 — $15에 동시성 제한 없이 동시성 요금도 없는 AssemblyAI-TTS-1이 더 저렴하고, 독립 지연 측정에서 더 빠른 선택지이며, 품질 격차는 107 Elo의 블라인드 선호도인데 이를 좁히기 위해 매달 $6,750을 지불하지는 않을 것입니다. 페일오버 경로 뒤에 배치하고, 한 달 동안 자체 통화 기록에 대해 실행해 보며, 말뭉치의 꼬리 부분이 약어로 가득 찬 날을 대비해 Flash v2.5를 폴백으로 연결해 두세요.

그것이 이 비교의 전부입니다. 한 공급업체는 천장을, 다른 공급업체는 바닥을 판매하고 있으며 둘 다 그에 맞게 가격이 책정되어 있습니다. 그리고 여기서 할 수 있는 유일한 비싼 실수는 결코 그 천장에 도달하지 않는 워크로드를 위해 천장을 사는 것입니다.