AssemblyAI-TTS-1 a US$ 15 por milhão de caracteres: o piso de preço dos agentes de voz acaba de mudar

AssemblyAI-TTS-1 foi disponibilizado em geral em 27 de outubro de 2026 a US$ 15 por milhão de caracteres de entrada, e o número que importa não é o que está na manchete — é o que você obtém depois de dividir. Em um ritmo normal de fala de cerca de 15 caracteres por segundo, um milhão de caracteres corresponde a aproximadamente 18 horas de áudio finalizado, o que coloca o modelo perto de 81 centavos por hora de fala. O Cartesia Sonic 3.6, líder de velocidade no mercado, cobra US$ 49 por milhão de caracteres, ou cerca de US$ 2,70 por hora. O ElevenLabs v4 cobra US$ 80, ou cerca de US$ 4,40 por hora. Este é o primeiro modelo independente de conversão de texto em fala da AssemblyAI — a empresa era fornecedora de conversão de fala em texto até esta semana — e ela entrou em um mercado onde o líder cobra de três a cinco vezes mais pela mesma unidade de trabalho.

A afirmação merece uma ressalva imediata, porque três partes diferentes fornecem três tipos diferentes de número aqui. O preço é a tabela de preços publicada pela própria AssemblyAI e pode ser verificada na página de preços dela. O dado de latência vem de um teste de laboratório que a AssemblyAI realizou contra cinco provedores rivais, com 30 prompts, três rodadas, quatro vozes padrão por modelo, uma solicitação por vez. A colocação no ranking é da Artificial Analysis, medida de forma independente. Onde este artigo cita as avaliações de qualidade da própria AssemblyAI — precisão de entidades, MOS previsto, prosódia, similaridade de clone —, são dados relatados pelo fornecedor e ninguém fora da AssemblyAI os reproduziu. A única medição de latência genuinamente independente disponível até agora aponta para algo menos lisonjeiro do que o marketing, e vale a pena começar por isso.

A ficha técnica em uma tela

• Preço — US$ 15 por milhão de caracteres de entrada, cobrado sobre o texto, incluindo espaços e pontuação, com todas as vozes da biblioteca e todos os idiomas incluídos, sem taxa por voz ou de concorrência

• Vozes — mais de 4.000 na biblioteca, além de clonagem instantânea a partir de uma curta amostra de referência (a demonstração usou 24 segundos de áudio)

• Idiomas — inglês, espanhol, francês, alemão, italiano e português no lançamento, múltiplos sotaques, sem data definida para o próximo lote

• Latência — 90 ms de tempo até o primeiro áudio, valor citado para produção e descrito pela empresa como conservador; 47 ms de tempo mediano até o primeiro byte em sua própria comparação de laboratório

• Vazão — 162 caracteres por segundo no Artificial Analysis, à frente do Cartesia Sonic 3.6, com 148,6

• Interfaces — HTTP, WebSocket com uma mensagem de cancelamento para barge-in, e uma rota compatível com OpenAI; os agentes de referência LiveKit e Pipecat são fornecidos com ele

• Saída — PCM, mu-law e A-law de 8 a 48 kHz, 24 kHz nativo, timestamps em nível de palavra retornados com o áudio

• Residência e limites — processamento nos EUA ou na UE pelo mesmo preço, concorrência ilimitada no modelo de pagamento conforme o uso, sem contrato anual ou compra de nível

Ainda não — sem SSML, sem parâmetro de velocidade, sem dicionários de pronúncia, sem tags de emoção, sem clonagem "pro" ajustada

Duas dessas linhas fazem mais trabalho comercial do que as demais. Concorrência ilimitada pelo preço de tabela elimina a negociação que a maioria dos fornecedores de TTS impõe aos agentes de voz de alto volume, em que as faixas de concorrência por minuto podem superar a tarifa por caractere. E a cobrança que conta espaços e pontuação é honesta, mas não é gratuita: um roteiro de 1.000 palavras chega a cerca de 6.000 caracteres quando espaços e vírgulas são incluídos, então o preço efetivo por palavra falada é maior do que sugere uma comparação ingênua com a precificação por palavra. A AssemblyAI não esconde isso — a página de preços diz isso claramente —, mas é o tipo de detalhe que transforma uma diferença de 3x no número principal em uma de 2,7x em um roteiro real.

Por que o número de 47 ms está tendo tanto peso

O post de lançamento abre com velocidade, e o teste subjacente é mais informativo do que a maioria das comparações de fornecedores porque nomeia seus concorrentes e seu método. Tempo mediano até o primeiro byte, cliente único, solicitações sequenciais: AssemblyAI-TTS-1 a 47 ms, ElevenLabs Flash v2.5 a 119 ms, Cartesia Sonic 3.6 a 143 ms, Inworld TTS-2 Flash a 244 ms, Inworld TTS-2 a 280 ms, ElevenLabs v4 a 612 ms. Se você aceitar essa configuração, a AssemblyAI não é apenas rápida — é cerca de três vezes mais rápida até o primeiro byte do que o Cartesia Sonic 3.6, o modelo com o qual ela compara preços, e duas vezes e meia mais rápida do que o ElevenLabs Flash v2.5.

O que a configuração não consegue dizer é o que acontece sob carga. Um único cliente emitindo uma requisição por vez mede o modelo, não o serviço: sem filas, sem contenção de concorrência, sem caminho de inicialização a frio, sem salto de rede entre regiões. O número de 90 ms em produção é a própria tentativa da empresa de dar conta disso, e a diferença entre 47 e 90 ms é aproximadamente o tamanho da penalidade do mundo real que o teste de laboratório não consegue ver. Qualquer pessoa que já tenha operado um agente de voz em grande escala reconhecerá isto como o formato padrão do marketing de latência de TTS: um número limpo de laboratório para o slide de benchmark, um número de produção menos rigoroso para a conversa sobre preços, e um terceiro número que só aparece quando você está em uma rede pública em uma região distante do endpoint.

Esse terceiro número existe agora, e é pior. A Cekura, uma empresa independente de avaliação de agentes de voz, mediu uma latência mediana de streaming de 159 ms para o AssemblyAI-TTS-1 em seu conjunto de testes de frases no estilo de agente — colocando-o em oitavo entre dezenove sistemas, em vez de primeiro. A Cekura também pontuou a precisão de leitura em 81,5%, praticamente empatada com o ElevenLabs v4, com 80,4%, enquanto classificou a AssemblyAI em primeiro em números de telefone e códigos, com 91,7%, e em quarto em naturalidade, com 4,50. Ao ler as duas fontes em conjunto, forma-se um quadro coerente: o AssemblyAI-TTS-1 é genuinamente rápido para começar a falar, incomumente bom em tokens difíceis de pronunciar, e não é a coisa mais rápida do quadro quando um caminho de streaming real entra em cena.

Duas arenas do Artificial Analysis, duas histórias diferentes

O Artificial Analysis mantém dois painéis de TTS, e eles medem coisas diferentes. A arena Provider Voice faz cada modelo falar com suas próprias vozes nativas; a arena Controlled Voice força todos os modelos a usar as mesmas oito vozes clonadas. Essa distinção é a coisa mais útil neste lançamento, porque o AssemblyAI-TTS-1 pontua melhor no painel controlado do que no seu próprio catálogo.

• Provider Voice — 1.227 de Elo, 12º na estreia, 1.626 aparições avaliadas. Dois dias depois, o ranking ao vivo mostra 1.227 em 14º: mesma pontuação, classificação mais baixa, porque dois modelos entraram acima dele. O Elo é o número estável; a classificação é um alvo móvel.

• Controlled Voice — 1.110 Elo, 10º na estreia, 1.674 partidas. O ranking ao vivo agora mostra 1.108 em 10º.

Robustez de pronúncia — 81,7% em 2.115 clipes avaliados, 16.º lugar nessa tabela.

• Velocidade de geração — 162 caracteres por segundo.

Um modelo que fica mais bem colocado entre vozes clonadas do que em sua própria biblioteca de 4.000 vozes está lhe dizendo algo específico: a acústica é competitiva, e o design de voz ainda não é o diferencial. O Breeze TTS 2, líder em pesos abertos, mostra exatamente o padrão oposto — forte em vozes de provedores, fraco em vozes controladas — e é nessa comparação que a coisa fica interessante. A AssemblyAI construiu um catálogo amplo, barato e competente; ainda não construiu vozes que vençam testes de escuta às cegas por seus próprios méritos.

A variação de posição merece atenção por uma razão prática. Todo agregador que cobre este lançamento está citando “top 12 in Provider Voice” do post de anúncio da Artificial Analysis e, quando você ler isto, a mesma pontuação pode estar em 15º ou 16º lugar. Isso não é a AssemblyAI perdendo qualidade. É um ranking em que alguns pontos de Elo abrangem cinco posições e em que novas entradas chegam quase todas as semanas. Avalie o Elo, anote a data em que você o leu e não trate uma queda de duas posições como regressão.

Onde as avaliações dos fornecedores parecem sólidas, e onde não.

A AssemblyAI publicou um conjunto mais completo de números do que a maioria dos lançamentos de TTS, todos fruto do seu próprio trabalho, todos testados em 50 vozes clonadas compartilhadas, com o áudio gerado transcrito de volta pelo seu reconhecedor Universal-3.5 Pro. A metodologia é sensata — submeter o áudio a um ciclo de ida e volta por um modelo de ASR é um proxy razoável para inteligibilidade — e ainda é um teste concebido e pontuado pelo fornecedor.

• Precisão de entidades em alvos difíceis (números de telefone, URLs, códigos de confirmação, nomes de medicamentos) — 93,7% para o AssemblyAI-TTS-1, 93,6% para o ElevenLabs v4, 82,5% para o Cartesia Sonic 3.6, 68,0% para o ElevenLabs Flash v2.5. Um décimo de ponto acima do ElevenLabs v4 é um empate vestido de vitória; a diferença de 11 pontos sobre o Sonic 3.6 é o achado real.

• Precisão de palavras — 99,0%, o que é próximo o bastante do teto para deixar de discriminar entre bons modelos.

• MOS previsto — 3,85, e aqui a AssemblyAI perde: o Inworld TTS-2 Flash pontua 3,88 na mesma escala, com o Cartesia Sonic 3.6 em 3,82 e ambos os modelos da ElevenLabs abaixo deles. A própria tabela do fornecedor não o coloca em primeiro lugar.

• Prosódia do TTSDS — 85,5, um número sem linha de base entre fornecedores na publicação.

• Similaridade de falante clonado — 0,64, o que é baixo para clonagem instantânea e consistente com a colocação na arena controlada, e não com a do provedor.

O resumo honesto dessa tabela é mais restrito do que o material de lançamento: o AssemblyAI-TTS-1 é excelente para acertar strings difíceis, competitivo em inteligibilidade, mediano em naturalidade e mais fraco em identidade vocal quando você faz clonagem. Para um agente de voz lendo números de conta e códigos postais, a primeira linha é a que compensa. Para um audiolivro narrado ou uma voz de personagem, as duas últimas linhas são as que importam, e este modelo não é a escolha.

O que ele ainda não consegue fazer, e quanto isso custa a você

As lacunas de recursos são normais para um primeiro lançamento e têm consequências incomumente grandes para esta categoria. Não há SSML, portanto não há uma forma confiável de forçar uma pausa, uma ênfase ou uma pronúncia sem reescrever o texto. Não há parâmetro de velocidade, o que significa que o ritmo precisa ser tratado antes, na etapa anterior, gerando mais ou menos palavras. Não há dicionários de pronúncia personalizados, apesar de a precisão de entidades ser o principal destaque — quando o modelo erra a pronúncia de um nome de marca, você não pode fornecer a ele um léxico, só pode reescrever foneticamente o texto e torcer. As tags de emoção e a clonagem profissional refinada estão ambas "em breve", nas palavras do próprio fornecedor, e o título "emoção nativa" da página de lançamento fica desajeitadamente ao lado de uma FAQ que diz que controles dedicados de emoção não estão disponíveis.

A cobertura de idiomas é o limite mais crítico. Seis idiomas no lançamento, contra 44 do Cartesia Sonic 3.6 e 50 alegados do Breeze TTS 2 — com a ressalva de que a própria ficha de modelo do Breeze identifica apenas inglês e chinês. Se o seu agente precisar atender um falante de alemão e um falante de português na mesma semana, a AssemblyAI cobre ambos. Se precisar de polonês, japonês ou árabe, não cobre, e nenhuma data foi dada.

Como você realmente consegue isso.

O AssemblyAI-TTS-1 é oferecido pela própria API do fornecedor — HTTP, WebSocket e um endpoint compatível com OpenAI — com hosts nos EUA e na UE pelo mesmo preço, além de um crédito de cadastro de US$ 50 e um ponto de partida listado como somente pagamento conforme o uso. Além disso, ele está disponível por meio de várias plataformas de terceiros. Hoje ele não está no catálogo da OrcaRouter, e não vamos fingir que está; se você quiser tê-lo esta semana, a API do fornecedor é o caminho direto.

A parte deste lançamento que de fato nos preocupa é a forma da decisão que ele cria. Um agente de voz é um pipeline de três modelos — reconhecimento de fala, um modelo de linguagem, síntese de fala — e a perna de TTS agora é a que tem a maior variação de preços e os participantes mais recentes. É exatamente a perna em que você quer uma segunda opção conectada antes de se comprometer, porque um modelo recém-lançado com um teste de latência de um único cliente e nenhum teste de carga independente é a definição de um componente que deveria ficar atrás de um fallback. Rotear mais de 200 modelos por uma única API com 0% de markup é o que fazemos, com o preço de tabela do fornecedor repassado, de modo que um corte de preço entre em vigor no mesmo dia, e failover automático, para que uma tarde ruim em um provedor não derrube o agente. Os modelos TTS que roteamos hoje são tts-1 da OpenAI, tts-1-hd e gpt-4o-mini-tts, ao lado do Gemini 3.1 Flash TTS Preview do Google — uma segunda perna viável enquanto o AssemblyAI-TTS-1 prova seu valor sob o seu tráfego, e não sob o tráfego dele.

O que mudaria o veredito?

Três coisas, na ordem de quanto cada uma influenciaria a decisão. Primeiro, um teste independente de latência sob concorrência real: o número de 159 ms de streaming da Cekura é a única medição externa até agora, e é um único número de um único laboratório. Um segundo laboratório que reproduzisse — ou não — a vantagem de 47 ms no primeiro byte resolveria se a alegação de velocidade sobrevive ao contato com uma fila. Segundo, o dicionário de pronúncia. A precisão de entidades é o melhor argumento do modelo, e também é a capacidade com maior probabilidade de ser anulada em produção por um nome de produto que o modelo nunca viu. Entregar os dicionários transforma uma vitória de benchmark em uma vitória operacional. Terceiro, se os seis idiomas crescem no mesmo cronograma que o restante do roadmap, porque a vantagem de preço só se acumula se a cobertura alcançar.

Até que isso chegue, a interpretação correta deste lançamento é estreita e útil: o AssemblyAI-TTS-1 é a API de TTS mais barata e confiável do mercado, oferecida por um fornecedor com uma década de infraestrutura de fala por trás; é rápida em laboratório e rápida o suficiente no único teste externo que existe; lê strings difíceis melhor do que qualquer coisa com que foi comparada; e está no meio do pelotão em naturalidade, sendo fraca em identidade clonada. Trata-se de uma compra forte para agentes de alto volume em seis idiomas, e de uma compra prematura para qualquer coisa que precise de uma voz distintiva.