AssemblyAI-TTS-1 vs ElevenLabs Eleven v4: Co daje 5,3× niższa cena i czym się za to płaci

AssemblyAI-TTS-1 kosztuje 15 dolarów za milion znaków. ElevenLabs Eleven v4 kosztuje 80 dolarów. Ten stosunek — 5,3× — to liczba, od której zaczyna się każdy nagłówek o tym starciu, i jednocześnie najmniej użyteczna liczba w całym zestawieniu, bo model, który tak naprawdę trafiłby za agenta telefonicznego, to nie Eleven v4. To Eleven v4 Turbo, w cenie 40 dolarów za milion znaków, albo Flash v2.5, również 40 dolarów. W porównaniu z nimi rabat wynosi 2,7×, a w starciu z Flash v2.5 — niskolatencyjnym bratem bliźniaczym, który ElevenLabs sprzedaje dokładnie pod to zadanie — AssemblyAI-TTS-1 wcale nie walczy z zasiedziałym graczem. Oba modele trafiły na rynek w ciągu ostatnich pięciu tygodni. Oba powstały z myślą o tym samym kliencie. Jeden z nich płaci za pułap jakości, na którym rywalizację postanowił sobie odpuścić ten drugi.

Tabela z cenami wykonuje więcej pracy niż tabela z benchmarkami.

AssemblyAI-TTS-1 stał się ogólnie dostępny 27 października 2026 r., a wyniki ewaluacji opublikowano dzień później. Jego cennik jest wyjątkowo jednolity: 15 USD za milion znaków wejściowych, łącznie ze spacjami i znakami interpunkcyjnymi, a ta jedna stawka obejmuje każdy głos z biblioteki ponad 4000 głosów, każdy język udostępniony przy premierze, natychmiastowe klonowanie głosu, znaczniki czasu słów oraz przetwarzanie w USA lub UE. Nie ma opłat za pojedynczy głos, poziomów współbieżności ani umowy rocznej, a dostawca twierdzi, że cena za znak jest taka sama niezależnie od tego, czy uruchamiasz dziesięć równoczesnych wywołań, czy dziesięć tysięcy.

Karta cenowa ElevenLabs jest podzielona na poziomy według modeli. Eleven v4, ogłoszony 28 września 2026, ma cenę katalogową 0,08 USD za tysiąc znaków — 80 USD za milion. Eleven v4 Turbo i Flash v2.5 mają cenę katalogową 0,04 USD za tysiąc znaków, czyli 40 USD za milion. Promocja premierowa obniżyła cenę v4 o 72% do 12 października 2026; ten okres już się zakończył, więc 80 USD to teraz kwota, która zostanie faktycznie naliczona.

Przelicz oba na jednostkę, w której zespół ds. agenta głosowego planuje budżet. Przy normalnym tempie mówienia około 150 słów na minutę i mniej więcej sześciu znakach na słowo łącznie ze spacjami minuta gotowej wypowiedzi to około 900 znaków. To szacunek, a nie dane dostawcy, ale wystarczająco bliski, by zobaczyć kształt rachunku:

• Jedna godzina ciągłej mowy — około 54 000 znaków — kosztuje około $0.81 w AssemblyAI-TTS-1, $4.32 w Eleven v4 i $2.16 w Eleven v4 Turbo.

• Sto tysięcy trzyminutowych rozmów — 300 000 minut, około 270 milionów znaków — kosztuje około 4050 USD w przypadku AssemblyAI-TTS-1, 21 600 USD w przypadku Eleven v4 i 10 800 USD w przypadku Eleven v4 Turbo.

• Różnica między AssemblyAI-TTS-1 a Eleven v4 Turbo w przypadku tego obciążenia wynosi 6 750 USD miesięcznie przy identycznym wolumenie połączeń. W porównaniu z Eleven v4 jest to 17 550 USD.

To jest prawdziwa decyzja i jest ona nudna: wybierasz, czy różnica jakości jest warta 6750 dolarów miesięcznie przy stu tysiącach połączeń. Cała reszta w tym zestawieniu dotyczy tego, jak duża ta różnica właściwie jest.

Co daje dodatkowe $65 za milion znaków

W rankingu odsłuchów w ciemno daje to wymierny efekt. Provider Voice Arena firmy Artificial Analysis, odczytana 30 października 2026 r., plasuje Eleven v4 Turbo na pierwszym miejscu z 1336 pkt Elo, a Eleven v4 na drugim z 1334, podczas gdy AssemblyAI-TTS-1 ma 1227 pkt i czternaste miejsce. Różnica 107 punktów w tej skali nie jest szumem — przedziały nie pokrywają się. W Controlled Voice Arena, która utrzymuje stałe nagranie referencyjne, dzięki czemu porównanie dotyczy wierności klonowania, a nie głosów standardowych, AssemblyAI-TTS-1 plasuje się na dziesiątym miejscu z 1110.

Pozostałą część tej luki stanowią ekwipunek i powierzchnia sterowania, a jest ona większa, niż sugeruje różnica Elo:

• Języki — AssemblyAI-TTS-1 zadebiutował z sześcioma: angielskim, hiszpańskim, francuskim, niemieckim, włoskim i portugalskim, każdy w kilku akcentach. Eleven v4 obejmuje ponad 90 języków z rodzimymi akcentami, a nie angielskojęzycznego lektora czytającego obce słowa.

• Biblioteka głosów — ponad 4000 w AssemblyAI-TTS-1 wobec ponad 17 500 reklamowanych dla Eleven v4.

• Klonowanie — natychmiastowe klonowanie tylko w AssemblyAI-TTS-1, z próbki, którą dostawca prezentuje w 24 sekundzie. Eleven v4 łączy natychmiastowe klonowanie już od dziesięciu sekund z Professional Voice Cloning, które powróciło w v4 po nieobecności w v3. Istniejące profesjonalne klony mogą wymagać ponownego treningu dostosowanego do v4.

• Sterowanie — AssemblyAI-TTS-1 jest dostarczany bez SSML, bez parametru szybkości, bez słownika wymowy i bez tagów emocji. W jego wpisie premierowym wyraźnie wskazano, że interpunkcja i zapisane niepłynności są odczytywane zgodnie z zapisem, a pauzy są wywoływane przez podpowiedzi, a nie przez znaczniki. Eleven v4 jest dostarczany z możliwymi do łączenia tagami audio osadzanymi w tekście — [laughs], [whispers] — oraz limitem żądania wynoszącym 10 000 znaków.

• Wyjście i przesyłanie danych — AssemblyAI-TTS-1 strumieniowo przesyła dane przez WebSocket i HTTP, udostępnia endpoint zgodny z OpenAI, dostarcza znaczniki czasu słów, obsługuje komunikat anulowania na potrzeby barge-in oraz publikuje agentów referencyjnych LiveKit i Pipecat. Eleven v4 jest sprzedawany za pośrednictwem ElevenAPI, ElevenAgents i ElevenCreative pod identyfikatorami modeli eleven_v4 i eleven_v4_turbo.

Czytaj tę listę jako oświadczenie produktowe, a nie tablicę wyników. AssemblyAI zbudowało endpoint TTS do jednego zadania — szybkiego, poprawnego i w stałej cenie odczytania jednej kwestii dialogowej do linii telefonicznej — i celowo pominęło elementy sterujące studia. ElevenLabs kontynuował budowę platformy głosowej. Jeśli Twoim produktem jest dubbing, narracja lub głos marki, który trzeba wytrenować i nim zarządzać, endpoint sześciojęzykowy nie wchodzi w grę niezależnie od ceny.

Liczby dotyczące opóźnienia różnią się trzykrotnie, a obie są rzetelne

To część porównania, którą większość relacji przedstawia błędnie — w obu kierunkach. W poście zapowiadającym AssemblyAI podaje 90 ms do pierwszego dźwięku w środowisku produkcyjnym oraz 47 ms mediany czasu do pierwszego bajtu we własnym teście laboratoryjnym, opisując ten wynik jako najszybszy spośród sześciu modeli. W swojej self-reported tabeli porównań bezpośrednich umieszcza ElevenLabs Flash v2.5 na poziomie 119 ms, Cartesia Sonic 3.6 na poziomie 143 ms, Inworld TTS-2 Flash na poziomie 244 ms, Inworld TTS-2 na poziomie 280 ms i ElevenLabs v4 na poziomie 612 ms. Dokumentacja ElevenLabs podaje z kolei około 150 ms mediany czasu do pierwszego fragmentu mowy oraz około 100 ms mediany opóźnienia inferencji dla Turbo.

Następnie Cekura, niezależna firma testująca, zmierzyła AssemblyAI-TTS-1 i uzyskała medianę opóźnienia strumieniowania wynoszącą 159 ms, co dało ósme miejsce wśród dziewiętnastu modeli, których czas zmierzyła; mediana wyniosła 171 ms, gdy przesyłany jest pełny tekst, oraz 296 ms przy p90. To nie jest sprzeczność z deklarowanymi przez dostawcę 47 ms. To inny stoper: AssemblyAI mierzy czas od żądania do pierwszego bajtu, a Cekura — od ostatniego wysłanego słowa do pierwszego dźwięku wyjściowego. Agent głosowy negocjujący turę bardziej liczy się z drugim pomiarem, ponieważ LLM musi najpierw dokończyć generowanie zdania.

Uczciwa interpretacja jest więc taka, że według metodologii samego dostawcy AssemblyAI-TTS-1 jest najszybszym rozwiązaniem w porównaniu, a ElevenLabs v4 — najwolniejszym, i to z dużą przewagą, natomiast według niezależnej metodologii odwzorowującej agenta AssemblyAI-TTS-1 plasuje się w środku stawki, a zarówno jego twierdzenia, jak i twierdzenia ElevenLabs należy traktować jako niezweryfikowane dla Twojej ścieżki telefonicznej. Jedynym porównaniem opóźnień, które wytrzymuje weryfikację, jest porównanie z Flash v2.5 — wersją SKU ElevenLabs, która istnieje po to, by wygrać tę argumentację i którą podmioty zewnętrzne zmierzyły w produkcji na poziomie około 185–197 ms. AssemblyAI-TTS-1 przy 159 ms jest szybszy, a przy tym 2,7-krotnie tańszy. To jedyne miejsce w tym zestawieniu, gdzie „taniej” i „szybciej” to ta sama odpowiedź.

Gdzie AssemblyAI-TTS-1 pierwszy się psuje

Nie szybkością i nie ceną. Długim ogonem tego, co mówi prawdziwy dzwoniący.

Wyniki Cekury według kategorii stawiają AssemblyAI-TTS-1 na pierwszym miejscu w przypadku numerów telefonów i kodów z wynikiem 91,7%, na czwartym miejscu w naturalności z wynikiem 4,50 oraz na dwudziestym drugim miejscu spośród dwudziestu siedmiu w kontekstowej wymowie z wynikiem 70,8%. Artificial Analysis również przyznaje mu 81,7% ogólnej oceny w zakresie odporności wymowy — szesnaste miejsce wśród ocenionych przez siebie modeli — z najsłabszym wynikiem cząstkowym w rozwijaniu skrótów wynoszącym 73,8%. Ranking Covala umieszcza jego współczynnik błędów słów na poziomie 1,7%, o trzy dziesiąte punktu za liderem i przed Eleven v4 Turbo oraz Cartesia Sonic 3.6 z 1,8% i Deepgram Aura-2 z 1,9%.

Postaw je obok siebie, a pojawia się konkretny tryb awarii: ten model jest bardzo dobry w czytaniu liczby na głos, a zauważalnie słabszy w decydowaniu, jak należy wymówić skrót, adres lub kod konta. To dokładnie ta klasa błędów, którą naprawia słownik wymowy, a AssemblyAI-TTS-1 jeszcze go nie dostarcza. Jeśli twój agent odczytuje identyfikatory zamówień, kupujesz model, którego najlepsza cecha to obejmuje, a najgorsza cecha jest tym, czego nie da się obejść konfiguracją.

Odpowiedzią ElevenLabs na ten sam problem nie są lepsze wyniki, lecz precyzyjniejsza kontrola: słowniki, tagi, tempo i profesjonalny klon wyszkolony na własnym nagraniu referencyjnym. Płacisz 65 USD więcej za milion znaków za możliwość samodzielnego poprawienia końcówki.

Druga połowa agenta nadal jest na innym rachunku.

Model TTS nigdy nie działa samodzielnie w agencie głosowym. Działa za modelem językowym, który pisze zdanie, a w większości stosów ten model językowy jest większą pozycją kosztową i tym, z którym relacja z dostawcą jest bardziej zmienna. To warstwa, którą obejmuje OrcaRouter: jedno API dla ponad 200 modeli w cenie katalogowej dostawcy z 0% marży, automatyczne przełączanie awaryjne, gdy dostawca zaczyna działać gorzej, DSL routingu do łączenia modeli w jedno wywołanie oraz fusion modeli, gdy jedna odpowiedź nie wystarcza.

Dwa szczere zastrzeżenia. Po pierwsze, AssemblyAI-TTS-1 nie ma dziś w katalogu OrcaRouter — obsługiwane przez nas trasy mowy to tts-1, tts-1-hd i gpt-4o-mini-tts od OpenAI oraz podglądowe wersje Gemini TTS od Google — więc nie jest to zachęta, by kupować ten model tutaj. Po drugie, co bardziej przydatne: ponieważ marża jest zerowa i ceny listowe dostawców są przekazywane, obniżka ceny przez dostawcę dowolnego modelu TTS, który rzeczywiście kierujesz, pojawi się na Twoim rachunku tego samego dnia, co jest mechanizmem sprawiającym, że opisane powyżej przetasowanie progów z $80 do $40 warto obserwować, a nie tylko o nim czytać.

Co robić w poniedziałek

Trzy pytania rozstrzygają to szybciej niż jakikolwiek benchmark.

Czy Twój agent musi mówić w języku spoza sześciu, z którymi wystartował AssemblyAI-TTS-1? Wtedy porównanie się kończy — i kończy się na pokryciu językowym, a nie na jakości. Poczekaj, aż lista języków się powiększy, albo zapłać ElevenLabs.

Czy Twój agent czyta klientowi na głos identyfikatory, kody lub adresy? W takim razie przetestuj AssemblyAI-TTS-1 na własnych ciągach znaków, zanim się na niego zdecydujesz, ponieważ niezależne wskaźniki wymowy są najsłabszym elementem jego dorobku, a konfiguracyjna furtka awaryjna jeszcze nie istnieje. Deklarowana przez dostawcę dokładność rozpoznawania encji wynosząca 93,7% na jego własnym zbiorze 580 pozycji — wobec 93,6% dla Eleven v4 i 68,0% dla Flash v2.5, zgłoszonych przez dostawcę i niepowtórzonych — mówi coś przeciwnego niż {{1}}kontekstowy wynik Cekury{{/1}}. Jedno z tych dwóch mierzy Twoje obciążenie i nie wiesz które.

Czy ten głos jest twój, wytrenowany i zarządzany? Wtedy ElevenLabs — bez większych dyskusji. Natychmiastowe klonowanie z 24 sekund daje użyteczny identyfikator głosu; nie daje jednak zasobu marki, którego mógłbyś bronić.

Jeśli odpowiedzi to: sześć języków, nie i nie — agent telefoniczny działający na dużą skalę i odczytujący zwykłe tury rozmowy — to AssemblyAI-TTS-1 za $15 z nieograniczoną współbieżnością i bez opłat za współbieżność jest tańszą i, według niezależnego pomiaru opóźnień, szybszą opcją, a różnica w jakości to 107 Elo ślepej preferencji, której nie płacisz $6,750 miesięcznie, by zniwelować. Umieść go za ścieżką failover, przetestuj na własnych nagraniach rozmów przez miesiąc i utrzymuj Flash v2.5 podłączony jako fallback na dzień, w którym okaże się, że końcowa część Twojego korpusu jest pełna skrótów.

To całe to starcie. Jeden dostawca sprzedaje sufit, a drugi podłogę — oba wycenione odpowiednio — a jedynym kosztownym błędem, jaki można tu popełnić, jest kupienie sufitu do obciążenia, które nigdy go nie osiągnie.