AssemblyAI-TTS-1 w cenie 15 dolarów za milion znaków: dolna granica cenowa agentów głosowych właśnie się przesunęła

AssemblyAI-TTS-1 stał się ogólnie dostępny 27 października 2026 r. w cenie 15 USD za milion znaków wejściowych, a liczba, która ma znaczenie, to nie ta z nagłówka — to ta, którą otrzymuje się po podzieleniu. Przy normalnym tempie mówienia wynoszącym około 15 znaków na sekundę milion znaków to mniej więcej 18 godzin gotowego dźwięku, co plasuje model blisko 81 centów za godzinę mowy. Cartesia Sonic 3.6, dotychczasowy lider szybkości, rozlicza 49 USD za milion znaków, czyli około 2,70 USD za godzinę. ElevenLabs v4 rozlicza 80 USD, czyli około 4,40 USD za godzinę. To pierwszy samodzielny model syntezy mowy od AssemblyAI — firma była dostawcą technologii rozpoznawania mowy aż do tego tygodnia — i wkroczył na rynek, na którym lider pobiera od trzech do pięciu razy więcej za tę samą jednostkę pracy.

To twierdzenie zasługuje na natychmiastowe zastrzeżenie, ponieważ trzy różne strony dostarczają tu trzy różne rodzaje liczb. Cena pochodzi z własnego, opublikowanego cennika AssemblyAI i można ją zweryfikować na jej stronie z cennikiem. Wskaźnik opóźnienia pochodzi z testu laboratoryjnego, który AssemblyAI przeprowadziła przeciwko pięciu konkurencyjnym dostawcom, na podstawie 30 promptów, w trzech rundach, z czterema standardowymi głosami na model, przy jednym żądaniu naraz. Pozycja w rankingu pochodzi od Artificial Analysis i została zmierzona niezależnie. Tam, gdzie ten artykuł cytuje własne oceny jakości AssemblyAI — dokładność encji, przewidywany MOS, prozodię, podobieństwo klonu — są to dane deklarowane przez dostawcę, których nikt spoza AssemblyAI nie odtworzył. Jedyny naprawdę niezależny pomiar opóźnienia dostępny jak dotąd wskazuje na coś mniej pochlebnego niż przekaz marketingowy, i warto od tego zacząć.

Karta specyfikacji na jednym ekranie

• Cena — 15 USD za milion znaków wejściowych, rozliczana za tekst obejmujący spacje i znaki interpunkcyjne; wszystkie głosy biblioteczne i wszystkie języki w cenie, bez opłaty za głos lub współbieżność.

• Głosy — ponad 4000 w bibliotece, a także natychmiastowe klonowanie z krótkiej próbki referencyjnej (w demonstracji użyto 24 sekund audio)

• Języki — angielski, hiszpański, francuski, niemiecki, włoski i portugalski w dniu premiery, wiele akcentów, nie podano daty następnej partii

• Opóźnienie — 90 ms czasu do pierwszego dźwięku podawane dla środowiska produkcyjnego, określane przez firmę jako zachowawcze; 47 ms mediany czasu do pierwszego bajtu w jej własnym porównaniu laboratoryjnym

• Przepustowość — 162 znaki na sekundę według Artificial Analysis, wyprzedzając Cartesia Sonic 3.6 z wynikiem 148,6

• Interfejsy — HTTP, WebSocket z komunikatem anulowania dla barge-in oraz trasa zgodna z OpenAI; referencyjne agenty LiveKit i Pipecat są dostarczane razem z nim

• Dane wyjściowe — PCM, mu-law i A-law w zakresie 8–48 kHz, natywnie 24 kHz, znaczniki czasu na poziomie słów zwracane wraz z audio

• Lokalizacja danych i limity — przetwarzanie w USA lub UE w tej samej cenie, nieograniczona współbieżność w modelu pay-as-you-go, bez rocznej umowy i zakupu planu

• Jeszcze nie — brak SSML, brak parametru szybkości, brak słowników wymowy, brak znaczników emocji, brak dostrojonego klonowania „pro”

Dwie z tych pozycji mają większe znaczenie komercyjne niż pozostałe. Nieograniczona współbieżność w cenie katalogowej eliminuje negocjacje, które większość dostawców TTS stawia przed agentami głosowymi o dużym wolumenie, gdzie poziomy współbieżności rozliczane za minutę mogą przewyższyć stawkę za znak. Rozliczanie uwzględniające spacje i interpunkcję jest uczciwe, ale nie jest darmowe: skrypt liczący 1000 słów to około 6000 znaków po uwzględnieniu spacji i przecinków, więc efektywna cena za wypowiedziane słowo jest wyższa, niż sugeruje naiwne porównanie z ceną za słowo. AssemblyAI tego nie ukrywa — strona cennika mówi to wprost — ale właśnie taki szczegół zamienia 3-krotną różnicę z nagłówka w 2,7-krotną na rzeczywistym skrypcie.

Dlaczego liczba 47 ms ma tak duże znaczenie

Wpis o premierze stawia na pierwszym planie szybkość, a stojący za nim test jest bardziej informacyjny niż większość porównań dostawców, ponieważ wymienia zarówno konkurentów, jak i metodę. Mediana czasu do pierwszego bajtu, pojedynczy klient, żądania sekwencyjne: AssemblyAI-TTS-1 — 47 ms, ElevenLabs Flash v2.5 — 119 ms, Cartesia Sonic 3.6 — 143 ms, Inworld TTS-2 Flash — 244 ms, Inworld TTS-2 — 280 ms, ElevenLabs v4 — 612 ms. Jeśli akceptujesz takie założenia, AssemblyAI jest nie tylko szybki — jest około trzykrotnie szybszy pod względem czasu do pierwszego bajtu niż Cartesia Sonic 3.6, model, względem którego pozycjonuje swoją cenę, i dwa i pół razy szybszy niż ElevenLabs Flash v2.5.

Czego konfiguracja nie jest w stanie ci powiedzieć, to co dzieje się pod obciążeniem. Pojedynczy klient wysyłający jedno żądanie naraz mierzy model, a nie usługę: brak kolejkowania, brak kontencji współbieżności, brak ścieżki zimnego startu, brak przeskoku sieciowego między regionami. Produkcyjna wartość 90 ms to własna próba uwzględnienia tego przez firmę, a różnica między 47 a 90 ms to w przybliżeniu rozmiar rzeczywistego narzutu, którego test laboratoryjny nie widzi. Każdy, kto uruchamiał agenta głosowego na dużą skalę, rozpozna w tym standardowy kształt marketingu opóźnień TTS: czystą liczbę laboratoryjną na slajd z benchmarkiem, łagodniejszą liczbę produkcyjną do rozmowy o cenach oraz trzecią liczbę, która pojawia się dopiero wtedy, gdy jesteś w sieci publicznej w regionie odległym od punktu końcowego.

Ta trzecia liczba już istnieje i wypada gorzej. Cekura, niezależna firma zajmująca się oceną agentów głosowych, zmierzyła medianę opóźnienia streamingu na poziomie 159 ms dla AssemblyAI-TTS-1 w swoim zestawie testowym zdań w stylu agentowym — umieszczając go na ósmym miejscu spośród dziewiętnastu systemów, a nie na pierwszym. Cekura oceniła również dokładność odczytu na 81,5%, zasadniczo na poziomie ElevenLabs v4 wynoszącym 80,4%, jednocześnie klasyfikując AssemblyAI na pierwszym miejscu pod względem numerów telefonów i kodów z wynikiem 91,7% oraz na czwartym pod względem naturalności z wynikiem 4,50. Zestawienie obu źródeł daje spójny obraz: AssemblyAI-TTS-1 naprawdę szybko zaczyna mówić, jest wyjątkowo dobry w przypadku trudnych do wymówienia tokenów, ale nie jest najszybszym rozwiązaniem w zestawieniu, gdy uwzględni się rzeczywistą ścieżkę streamingu.

Dwie areny Artificial Analysis, dwie różne historie

Artificial Analysis prowadzi dwa rankingi TTS, które mierzą różne aspekty. W arenie Provider Voice każdy model mówi własnymi głosami natywnymi; arena Controlled Voice wymusza na każdym modelu korzystanie z tych samych ośmiu sklonowanych głosów. Ta różnica jest najbardziej użytecznym elementem tej premiery, ponieważ AssemblyAI-TTS-1 wypada lepiej w rankingu Controlled Voice niż we własnym katalogu.

• Provider Voice — 1227 Elo, 12. miejsce na debiucie, 1626 ocenionych występów. Dwa dni później tabela na żywo pokazuje 1227 punktów na 14. miejscu: ten sam wynik, niższa pozycja, ponieważ dwa modele zadebiutowały powyżej niego. Elo to stabilna liczba; miejsce w rankingu to ruchomy cel.

• Controlled Voice — 1 110 Elo, 10. miejsce na debiucie, 1 674 występów. Tablica wyników na żywo wskazuje teraz 1 108 na 10. miejscu.

• Odporność wymowy — 81,7% wśród 2115 ocenionych klipów, 16. miejsce w tym rankingu.

• Szybkość generowania — 162 znaki na sekundę.

Model, który wypada lepiej wśród sklonowanych głosów niż we własnej bibliotece 4000 głosów, mówi ci coś konkretnego: akustyka jest konkurencyjna, a design głosu nie jest jeszcze czynnikiem wyróżniającym. Breeze TTS 2, lider wśród modeli z otwartymi wagami, wykazuje dokładnie odwrotny wzorzec — mocny w głosach dostawców, słaby w głosach kontrolowanych — i to właśnie w tym porównaniu robi się ciekawie. AssemblyAI zbudował szeroki, tani i kompetentny katalog; nie zbudował jeszcze głosów, które wygrywają testy odsłuchowe w ciemno dzięki własnym walorom.

Dryf w rankingu warto odnotować z praktycznego powodu. Każdy agregator relacjonujący tę premierę cytuje „top 12 in Provider Voice” z wpisu ogłoszeniowego Artificial Analysis, a zanim to przeczytasz, ten sam wynik może znajdować się na 15. lub 16. miejscu. To nie oznacza, że AssemblyAI traci jakość. To leaderboard, w którym kilka punktów Elo przekłada się na pięć miejsc i w którym nowe wpisy pojawiają się niemal co tydzień. Oceń Elo, zanotuj datę, w której to czytasz, i nie traktuj spadku o dwa miejsca jako regresji.

Gdzie oceny dostawców wypadają dobrze, a gdzie nie

AssemblyAI opublikowało pełniejszy zestaw liczb niż większość wprowadzeń TTS na rynek — wszystkie są wynikiem własnej pracy firmy i zostały przetestowane na 50 współdzielonych, sklonowanych głosach, przy czym wygenerowane audio transkrybowano ponownie przez jej silnik rozpoznawania Universal-3.5 Pro. Metodologia jest rozsądna — przepuszczanie audio przez model ASR to uzasadniona próba zastępcza dla oceny zrozumiałości — ale nadal jest to test zaprojektowany i oceniony przez samego dostawcę.

• Dokładność encji w trudnych przypadkach (numery telefonów, adresy URL, kody potwierdzające, nazwy leków) — 93,7% dla AssemblyAI-TTS-1, 93,6% dla ElevenLabs v4, 82,5% dla Cartesia Sonic 3.6, 68,0% dla ElevenLabs Flash v2.5. Przewaga zaledwie jednej dziesiątej punktu nad ElevenLabs v4 to remis przebrany za zwycięstwo; prawdziwym odkryciem jest 11-punktowa różnica względem Sonic 3.6.

• Dokładność słów — 99,0%, co jest tak blisko pułapu, że przestaje odróżniać dobre modele od siebie.

• Przewidywany MOS — 3,85, i tu AssemblyAI przegrywa: Inworld TTS-2 Flash uzyskuje 3,88 w tej samej skali, Cartesia Sonic 3.6 ma 3,82, a oba modele ElevenLabs plasują się poniżej nich. W tabeli samego dostawcy nie zajmuje on pierwszego miejsca.

• Prosodia TTSDS — 85,5, wartość, dla której w poście nie ma punktu odniesienia między dostawcami.

• Podobieństwo mówcy przy klonowaniu — 0,64, co jest niskie jak na natychmiastowe klonowanie i spójne z pozycją w kontrolowanej arenie, a nie z pozycją u dostawcy.

Uczciwe podsumowanie tej tabeli jest węższe niż tekst marketingowy zapowiedzi: AssemblyAI-TTS-1 świetnie radzi sobie z trudnymi ciągami znaków, jest konkurencyjny pod względem zrozumiałości, plasuje się w środku stawki pod względem naturalności i wypada najsłabiej pod względem tożsamości głosu podczas klonowania. Dla agenta głosowego czytającego numery kont i kody pocztowe pierwsza linia jest tym, co się opłaca. W przypadku narracji audiobooka lub głosu postaci liczą się dwie ostatnie linie, a ten model nie jest wyborem.

Czego jeszcze nie potrafi i ile cię to kosztuje

Luki w funkcjonalności są czymś zwyczajnym w pierwszym wydaniu i nietypowo brzemiennym w skutki w tej kategorii. Brak SSML, więc nie ma niezawodnego sposobu wymuszenia pauzy, emfazy ani wymowy bez ponownego napisania tekstu. Brak parametru szybkości, co oznacza, że tempo trzeba obsłużyć wcześniej, generując więcej lub mniej słów. Brak niestandardowych słowników wymowy, mimo że dokładność rozpoznawania encji jest główną mocną stroną — gdy model rzeczywiście źle wymawia nazwę marki, nie można przekazać mu leksykonu, można jedynie zapisać tekst inaczej i mieć nadzieję. Tagi emocji i dopracowane klonowanie głosu profesjonalnego są według samego dostawcy „wkrótce”, a nagłówek „natywna emocja” na stronie premiery niezręcznie sąsiaduje z FAQ, które mówi, że dedykowane kontrolki emocji są niedostępne.

Pokrycie językowe jest ostrzejszym ograniczeniem. Sześć języków na start wobec 44 w Cartesia Sonic 3.6 i deklarowanych 50 w Breeze TTS 2 — z zastrzeżeniem, że karta modelu Breeze oznacza tylko język angielski i chiński. Jeśli Twój agent musi odpowiadać dzwoniącemu po niemiecku i dzwoniącemu po portugalsku w tym samym tygodniu, AssemblyAI obsługuje obu. Jeśli potrzebuje polskiego, japońskiego lub arabskiego, to nie — i nie podano żadnej daty.

Jak faktycznie to zdobywasz

AssemblyAI-TTS-1 jest udostępniany przez API samego dostawcy — HTTP, WebSocket oraz punkt końcowy kompatybilny z OpenAI — z hostami w USA i UE w tej samej cenie, a także 50 dolarów kredytu na rejestrację i wskazanym punktem wyjścia wyłącznie w modelu pay-as-you-go. Poza tym jest dostępny za pośrednictwem kilku platform zewnętrznych. Obecnie nie figuruje w katalogu OrcaRouter i nie będziemy udawać, że jest inaczej; jeśli potrzebujesz go w tym tygodniu, API dostawcy to droga bezpośrednia.

Część tej premiery, która naprawdę nas niepokoi, to kształt decyzji, jaki z niej wynika. Agent głosowy to potok trzech modeli — rozpoznawanie mowy, model językowy, synteza mowy — a to odcinek TTS ma teraz największą rozpiętość cen i najnowszych graczy. To dokładnie ten odcinek, na którym chcesz mieć podłączoną drugą opcję, zanim się zobowiążesz, ponieważ zupełnie nowy model z testem opóźnień na jednym kliencie i bez niezależnych testów obciążeniowych to definicja komponentu, który powinien znajdować się za mechanizmem awaryjnym. Kierowanie ponad 200 modeli przez jedno API z zerową marżą to właśnie robimy: przekazujemy cenę katalogową dostawcy, dzięki czemu obniżka ceny wchodzi w życie tego samego dnia, i zapewniamy automatyczne przełączanie awaryjne, aby gorsze popołudnie u jednego dostawcy nie spowodowało awarii agenta. Modele TTS, które obecnie kierujemy, to tts-1 od OpenAI, tts-1-hd i gpt-4o-mini-tts obok Gemini 3.1 Flash TTS Preview od Google — realistyczna druga opcja, dopóki AssemblyAI-TTS-1 nie sprawdzi się w Twoim ruchu, a nie we własnym.

Co zmieniłoby werdykt?

Trzy rzeczy, w kolejności od tego, jak bardzo przesunęłyby decyzję. Po pierwsze, niezależny pomiar opóźnienia przy rzeczywistym współbieżnym obciążeniu: wynik strumieniowania 159 ms podany przez Cekurę to jak dotąd jedyny zewnętrzny pomiar i pojedyncza liczba z pojedynczego laboratorium. Powtórzenie przez drugie laboratorium przewagi 47 ms w czasie do pierwszego bajtu — albo nieudana próba powtórzenia — rozstrzygnęłoby, czy twierdzenie o szybkości przetrwa zetknięcie z kolejką. Po drugie, słownik wymowy. Dokładność rozpoznawania encji to najmocniejszy argument modelu, a zarazem zdolność, którą w produkcji najłatwiej zniweczyć nazwą produktu, której model nigdy nie widział. Wdrożenie słowników zamienia wygraną w benchmarku w wygraną operacyjną. Po trzecie, czy sześć języków rozwija się zgodnie z tym samym harmonogramem co reszta planu, ponieważ przewaga cenowa kumuluje się tylko wtedy, gdy pokrycie dogoni.

Dopóki tamte nie wejdą, właściwe odczytanie tego launchu jest wąskie i użyteczne: AssemblyAI-TTS-1 to najtańsze wiarygodne API TTS na rynku od dostawcy, za którym stoi dekada infrastruktury mowy, jest szybkie w laboratorium i wystarczająco szybkie w jedynym istniejącym teście poza laboratorium, czyta trudne ciągi lepiej niż cokolwiek, z czym je porównywano, a pod względem naturalności plasuje się w środku stawki i wypada słabo pod względem sklonowanej tożsamości. To mocny zakup dla agentów o dużym wolumenie w sześciu językach i przedwczesny dla wszystkiego, co wymaga charakterystycznego głosu.