AssemblyAI-TTS-1 voor $15 per miljoen tekens: de prijsondergrens voor spraakagenten is net verschoven

AssemblyAI-TTS-1 werd op 27 oktober 2026 algemeen beschikbaar voor $15 per miljoen invoertekens, en het getal dat telt is niet het getal in de kop — het is het getal dat je krijgt na het delen. Bij een normaal spreektempo van ongeveer 15 tekens per seconde is een miljoen tekens ongeveer 18 uur voltooide audio, wat het model op bijna 81 cent per uur spraak brengt. Cartesia Sonic 3.6, de huidige snelheidsleider, rekent $49 per miljoen tekens, of ongeveer $2,70 per uur. ElevenLabs v4 rekent $80, of ongeveer $4,40 per uur. Dit is AssemblyAI's eerste zelfstandige tekst-naar-spraakmodel — het bedrijf was tot deze week een spraak-naar-tekstleverancier — en het heeft een markt betreden waar de leider drie tot vijf keer meer rekent voor dezelfde eenheid werk.

De bewering verdient onmiddellijk een voorbehoud, omdat hier drie verschillende partijen drie verschillende soorten cijfers leveren. De prijs is AssemblyAI's eigen gepubliceerde prijslijst en is controleerbaar op de prijspagina. Het latentiecijfer komt uit een labtest die AssemblyAI uitvoerde tegen vijf concurrerende aanbieders, met 30 prompts, drie rondes, vier standaardstemmen per model, één verzoek tegelijk. De positie op de ranglijst is die van Artificial Analysis, onafhankelijk gemeten. Waar dit artikel AssemblyAI's eigen kwaliteitsevaluaties citeert — entiteitsnauwkeurigheid, voorspelde MOS, prosodie, kloongelijkenis — zijn die door de leverancier gerapporteerd en niemand buiten AssemblyAI heeft ze gereproduceerd. De enige echt onafhankelijke latentiemeting die tot nu toe beschikbaar is, duidt op iets minder flatteus dan de marketing, en het is de moeite waard om daarmee te beginnen.

Het specificatieblad in één scherm

• Prijs — $15 per miljoen ingevoerde tekens, afgerekend op tekst inclusief spaties en leestekens, alle bibliotheekstemmen en alle talen inbegrepen, geen kosten per stem of voor gelijktijdig gebruik

• Stemmen — meer dan 4.000 in de bibliotheek, plus direct klonen op basis van een kort referentiesample (de demo gebruikte 24 seconden audio)

• Talen — Engels, Spaans, Frans, Duits, Italiaans en Portugees bij de lancering, meerdere accenten, geen datum genoemd voor de volgende reeks

• Latentie — 90 ms tijd tot eerste audio, opgegeven voor productie en door het bedrijf als conservatief beschreven; 47 ms mediane tijd tot eerste byte in zijn eigen labvergelijking

• Doorvoer — 162 tekens per seconde op Artificial Analysis, sneller dan Cartesia Sonic 3.6 met 148,6

• Interfaces — HTTP, WebSocket met een annuleringsbericht voor barge-in, en een OpenAI-compatibele route; referentieagents van LiveKit en Pipecat worden ermee meegeleverd

• Uitvoer — PCM, mu-law en A-law bij 8 tot 48 kHz, 24 kHz native, tijdstempels op woordniveau worden samen met de audio geretourneerd

• Dataresidentie en limieten — verwerking in de VS of EU tegen dezelfde prijs, onbeperkte gelijktijdigheid bij pay-as-you-go, geen jaarcontract of aankoop van een tier

• Nog niet — geen SSML, geen snelheidsparameter, geen uitspraakwoordenboeken, geen emotietags, geen fijn afgestemde 'pro'-klooning

Twee van die regels doen meer commercieel werk dan de rest. Onbeperkte gelijktijdigheid tegen lijstprijs neemt de onderhandeling weg die de meeste TTS-leveranciers voor high-volume voice-agents zetten, waarbij staffels voor gelijktijdigheid per minuut het tarief per teken kunnen overtreffen. En facturering die spaties en leestekens meerekent, is eerlijk maar niet gratis: een script van 1.000 woorden komt op ongeveer 6.000 tekens zodra spaties en komma's zijn meegerekend, dus de effectieve prijs per gesproken woord is hoger dan een naïeve vergelijking met prijs per woord suggereert. AssemblyAI verbergt dat niet — de prijspagina zegt het ronduit — maar het is het soort detail dat een verschil van 3x in de kop naar 2,7x maakt op een echt script.

Waarom het getal 47 ms zo zwaar weegt

De lanceringspost zet snelheid voorop, en de onderliggende test is informatiever dan de meeste leveranciersvergelijkingen, omdat hij zijn concurrenten en zijn methode vermeldt. Mediane tijd tot eerste byte, één client, opeenvolgende verzoeken: AssemblyAI-TTS-1 op 47 ms, ElevenLabs Flash v2.5 op 119 ms, Cartesia Sonic 3.6 op 143 ms, Inworld TTS-2 Flash op 244 ms, Inworld TTS-2 op 280 ms, ElevenLabs v4 op 612 ms. Als je die opzet accepteert, is AssemblyAI niet alleen snel — het is ongeveer drie keer sneller tot de eerste byte dan Cartesia Sonic 3.6, het model waartegen het zijn prijs afzet, en tweeënhalve keer sneller dan ElevenLabs Flash v2.5.

Wat de opzet je niet kan vertellen, is wat er gebeurt onder belasting. Een enkele client die één verzoek tegelijk uitstuurt, meet het model, niet de dienst: geen wachtrijvorming, geen concurrentie bij gelijktijdige aanvragen, geen koudstartpad, geen netwerksprong tussen regio's. Het productiecijfer van 90 ms is de eigen poging van het bedrijf om daarvoor te corrigeren, en de kloof tussen 47 en 90 ms is ongeveer net zo groot als de extra vertraging in de praktijk die de labtest niet kan zien. Iedereen die een spraakagent op grote schaal heeft laten draaien, herkent dit als de standaardvorm van latencymarketing voor TTS: een schoon labcijfer voor de benchmarkdia, een zachter productiecijfer voor het prijsgesprek, en een derde cijfer dat pas opduikt zodra je op een openbaar netwerk zit in een regio ver van de endpoint.

Dat derde getal bestaat nu wel, en het is slechter. Cekura, een onafhankelijk evaluatiebedrijf voor voice-agents, mat een mediane streaminglatentie van 159 ms voor AssemblyAI-TTS-1 over zijn testset van zinnen in agentstijl — waarmee het op de achtste plaats van negentien systemen staat, niet op de eerste. Cekura scoorde de leesaccuraatheid ook op 81,5%, vrijwel gelijk met ElevenLabs v4 op 80,4%, terwijl het AssemblyAI eerste plaatste op telefoonnummers en codes met 91,7% en vierde op natuurlijkheid met 4,50. Lees de twee bronnen samen en er ontstaat een samenhangend beeld: AssemblyAI-TTS-1 begint echt snel te spreken, is ongewoon goed bij moeilijk uit te spreken tokens, en is niet het snelste systeem op de lijst zodra er een echte streamingroute in het spel is.

Twee Artificial Analysis-arena's, twee verschillende verhalen

Artificial Analysis heeft twee TTS-boards, en die meten verschillende dingen. In de Provider Voice arena spreekt elk model met zijn eigen native stemmen; de Controlled Voice arena dwingt elk model om dezelfde acht gekloonde stemmen te gebruiken. Dat onderscheid is het nuttigste aspect van deze lancering, omdat AssemblyAI-TTS-1 beter scoort op het controlled board dan op zijn eigen catalogus.

• Provider Voice — 1.227 Elo, 12e bij debuut, 1.626 beoordeelde optredens. Twee dagen later vermeldt het live-overzicht 1.227 op de 14e plaats: dezelfde score, een lagere rang, omdat twee modellen boven hem zijn binnenkomen. Elo is het stabiele getal; rang is een bewegend doel.

Controlled Voice — 1.110 Elo, 10e bij debuut, 1.674 optredens. De live-stand toont nu 1.108 op de 10e plaats.

Uitspraakrobuustheid — 81,7% over 2.115 beoordeelde clips, 16e op dat scoreboard.

• Generatiesnelheid — 162 tekens per seconde.

Een model dat hoger scoort onder gekloonde stemmen dan in zijn eigen bibliotheek met 4.000 stemmen, zegt je iets specifiek: de akoestiek is concurrerend, en het stemontwerp is nog niet de onderscheidende factor. Breeze TTS 2, de leider op het gebied van open weights, vertoont exact het tegenovergestelde patroon — sterk bij stemmen van providers, zwak bij gecontroleerde stemmen — en juist die vergelijking maakt dit interessant. AssemblyAI heeft een brede, goedkope, competente catalogus opgebouwd; het heeft nog geen stemmen ontwikkeld die op eigen kwaliteit blinde luistertests winnen.

De rangverschuiving is om een praktische reden noemenswaardig. Elke aggregator die deze lancering behandelt, citeert "top 12 in Provider Voice" uit de aankondigingspost van Artificial Analysis, en wanneer je dit leest, kan dezelfde score op de 15e of 16e plaats staan. Dat betekent niet dat AssemblyAI aan kwaliteit verliest. Het is een ranglijst waarin een handvol Elo-punten vijf plaatsen omspant, en waarin de meeste weken nieuwe deelnemers binnenkomen. Beoordeel de Elo, noteer de datum waarop je het leest, en behandel een verschuiving van twee plaatsen niet als een regressie.

Waar de leveranciersbeoordelingen sterk lijken, en waar niet.

AssemblyAI heeft een uitgebreidere reeks cijfers gepubliceerd dan de meeste TTS-lanceringen, allemaal uit eigen werk, allemaal getest op 50 gedeelde gekloonde stemmen, met gegenereerde audio die terug werd getranscribeerd via zijn Universal-3.5 Pro-herkenningsmodel. De methodologie is verstandig — audio heen en terug laten gaan door een ASR-model is een redelijke proxy voor verstaanbaarheid — en het blijft een test die de leverancier zelf heeft ontworpen en beoordeeld.

• Entiteitsnauwkeurigheid bij moeilijke doelen (telefoonnummers, URL's, bevestigingscodes, medicatienamen) — 93,7% voor AssemblyAI-TTS-1, 93,6% voor ElevenLabs v4, 82,5% voor Cartesia Sonic 3.6, 68,0% voor ElevenLabs Flash v2.5. Een tiende punt boven ElevenLabs v4 is een gelijkspel in het gewaad van een overwinning; het verschil van 11 punten met Sonic 3.6 is de echte bevinding.

• Woordnauwkeurigheid — 99,0%, wat zo dicht bij het plafond zit dat het geen onderscheid meer maakt tussen goede modellen.

• Voorspelde MOS — 3,85, en hier verliest AssemblyAI: Inworld TTS-2 Flash scoort 3,88 op dezelfde schaal, met Cartesia Sonic 3.6 op 3,82 en beide ElevenLabs-modellen daaronder. De eigen tabel van de leverancier plaatst het niet op de eerste plaats.

• TTSDS-prosodie — 85,5, een cijfer waarvoor in de post geen cross-vendorbaseline bestaat.

• Gelijkenis van de gekloonde spreker — 0,64, wat laag is voor direct klonen en overeenkomt met de plaatsing in de gecontroleerde arena eerder dan met die van de provider.

De eerlijke samenvatting van die tabel is beperkter dan de lanceertekst: AssemblyAI-TTS-1 is uitstekend in het correct weergeven van moeilijke strings, concurrerend op verstaanbaarheid, middenmoot op natuurlijkheid en het zwakst op stemidentiteit wanneer je kloont. Voor een voice-agent die rekeningnummers en postcodes voorleest, is de eerste regel de regel die het meest oplevert. Voor een ingesproken audioboek of een stem van een personage zijn de laatste twee regels de regels die ertoe doen, en dit model is niet de keuze.

Wat het nog niet kan, en wat dat je kost

De functiekloven zijn normaal voor een eerste release en ongewoon ingrijpend voor deze categorie. Er is geen SSML, dus geen betrouwbare manier om een pauze, een nadruk of een uitspraak af te dwingen zonder de tekst te herschrijven. Er is geen snelheidsparameter, wat betekent dat het tempo upstream moet worden geregeld door meer of minder woorden te genereren. Er zijn geen aangepaste uitspraakwoordenboeken, ondanks dat de entiteitsnauwkeurigheid de belangrijkste sterkte is — wanneer het model een merknaam verkeerd uitspreekt, kun je het geen lexicon geven; je kunt de tekst alleen anders spellen en hopen. Emotietags en fijngetunede pro-cloning zijn beide "coming soon" in de eigen woorden van de leverancier, en de kop "native emotion" op de lanceerpagina staat ongemakkelijk naast een FAQ die zegt dat er geen speciale emotiebesturing beschikbaar is.

Taaldekking is de scherpere beperking. Zes talen bij de lancering, tegenover 44 voor Cartesia Sonic 3.6 en een geclaimde 50 voor Breeze TTS 2 — met de kanttekening dat de eigen modelkaart van Breeze alleen Engels en Chinees markeert. Als je agent in dezelfde week een Duitse en een Portugese beller moet kunnen beantwoorden, dekt AssemblyAI beide. Als hij Pools, Japans of Arabisch nodig heeft, dan niet, en er is geen datum genoemd.

Hoe je het daadwerkelijk krijgt

AssemblyAI-TTS-1 wordt aangeboden via de eigen API van de leverancier — HTTP, WebSocket en een OpenAI-compatibel endpoint — met hosts in de VS en de EU voor dezelfde prijs, plus een aanmeldtegoed van $50 en een vermeld startpunt van uitsluitend pay-as-you-go. Daarnaast is het beschikbaar via meerdere platforms van derden. Het staat vandaag niet in de OrcaRouter-catalogus, en we gaan niet doen alsof dat wel zo is; als je het deze week wilt, is de API van de leverancier de directe route.

Het deel van deze lancering dat ons wel zorgen maakt, is de vorm van de beslissing die het creëert. Een voice agent is een pipeline van drie modellen — spraakherkenning, een taalmodel, spraaksynthese — en het TTS-deel is nu het deel met de grootste prijsverschillen en de nieuwste aanbieders. Dat is precies het deel waar je een tweede optie wilt inbouwen voordat je je committeert, omdat een gloednieuw model met een latentietest bij één klant en geen onafhankelijke loadtests de definitie is van een component die achter een fallback hoort te staan. Meer dan 200 modellen via één API routeren met 0% opslag is wat we doen, met de lijstprijs van de leverancier doorgerekend zodat een prijsverlaging dezelfde dag landt, en automatische failover zodat een slechte middag bij een aanbieder de agent niet down neemt. De TTS-modellen die we vandaag routeren zijn OpenAI's tts-1, tts-1-hd en gpt-4o-mini-tts, samen met Google's Gemini 3.1 Flash TTS Preview — een werkbaar tweede deel zolang AssemblyAI-TTS-1 zich bewijst onder jouw verkeer en niet onder zijn eigen verkeer.

Wat zou het vonnis veranderen?

Drie dingen, in volgorde van hoeveel ze de beslissing zouden beïnvloeden. Eerst een onafhankelijke latencytest onder echte gelijktijdigheid: Cekura's streamingwaarde van 159 ms is tot nu toe de enige externe meting, en het is een enkel getal van een enkel lab. Een tweede lab dat het voordeel van 47 ms bij de eerste byte reproduceert — of er niet in slaagt — zou uitmaken of de snelheidsclaim contact met een wachtrij overleeft. Ten tweede het uitspraakwoordenboek. De entiteitsnauwkeurigheid is het sterkste argument van het model, en het is ook de capaciteit die in productie het meest waarschijnlijk ondermijnd wordt door een productnaam die het model nooit heeft gezien. Het uitleveren van woordenboeken maakt van een benchmarkoverwinning een operationele overwinning. Ten derde of de zes talen volgens dezelfde planning groeien als de rest van de roadmap, omdat het prijsvoordeel zich alleen versterkt als de dekking bijtrekt.

Tot die er zijn, is de juiste lezing van deze lancering beperkt en nuttig: AssemblyAI-TTS-1 is de goedkoopste geloofwaardige TTS-API op de markt, van een leverancier met een decennium aan spraakinfrastructuur achter zich. Hij is snel in een lab en snel genoeg in de enige test buiten het lab die bestaat, hij leest lastige strings beter dan alles waarmee hij werd vergeleken, en hij zit in de middenmoot wat naturaliteit betreft en is zwak op gekloonde identiteit. Dat is een sterke koop voor agents met een hoog volume in zes talen, en een voorbarige voor alles wat een kenmerkende stem nodig heeft.