AssemblyAI-TTS-1 vs ElevenLabs Eleven v4: o que 5,3× mais barato traz — e o que custa

AssemblyAI-TTS-1 custa US$ 15 por milhão de caracteres. ElevenLabs Eleven v4 custa US$ 80. Essa proporção — 5,3× — é o número com que toda manchete sobre o confronto abre, e é o número menos útil dela, porque o modelo que você realmente colocaria por trás de um agente telefônico não é o Eleven v4. É o Eleven v4 Turbo, a US$ 40 por milhão de caracteres, ou o Flash v2.5, também US$ 40. Contra esses, o desconto é de 2,7×, e contra o Flash v2.5 — o irmão de baixa latência que a ElevenLabs vende exatamente para esse trabalho — o AssemblyAI-TTS-1 não está enfrentando um concorrente estabelecido legado de modo algum. Ambos foram lançados nas últimas cinco semanas. Ambos foram criados para o mesmo cliente. Um deles está pagando por um teto de qualidade no qual o outro decidiu não competir.

A tabela de preços está fazendo mais trabalho do que a tabela de referência

O AssemblyAI-TTS-1 tornou-se disponível para o público em geral em 27 de outubro de 2026, com números de avaliação publicados um dia depois. Sua tabela de preços é incomumente uniforme: US$ 15 por milhão de caracteres de entrada, incluindo espaços e pontuação, e essa única tarifa cobre todas as vozes da biblioteca com mais de 4.000 vozes, todos os idiomas de lançamento, clonagem instantânea de voz, carimbos de tempo por palavra e processamento nos EUA ou na UE. Não há taxas por voz, níveis de concorrência nem contrato anual, e o fornecedor afirma que o preço por caractere é o mesmo, seja para dez chamadas simultâneas ou dez mil.

A tabela de preços da ElevenLabs é escalonada por modelo. O Eleven v4, anunciado em 28 de setembro de 2026, tem preço de US$ 0,08 por mil caracteres — US$ 80 por milhão. O Eleven v4 Turbo e o Flash v2.5 têm ambos preço de US$ 0,04 por mil, ou US$ 40 por milhão. Uma promoção de lançamento reduziu o v4 em 72% até 12 de outubro de 2026; essa janela já fechou, então os US$ 80 são agora o valor que de fato seria cobrado de você.

Traduza ambos para a unidade em que uma equipe de agentes de voz baseia seu orçamento. A um ritmo normal de fala de cerca de 150 palavras por minuto e aproximadamente seis caracteres por palavra, incluindo espaços, um minuto de fala finalizada fica em torno de 900 caracteres. Isso é uma estimativa, não um número de fornecedor, mas é próximo o suficiente para enxergar o formato da conta:

Uma hora de fala contínua — cerca de 54.000 caracteres — custa aproximadamente US$ 0,81 no AssemblyAI-TTS-1, US$ 4,32 no Eleven v4 e US$ 2,16 no Eleven v4 Turbo.

• Cem mil chamadas de três minutos — 300.000 minutos, cerca de 270 milhões de caracteres — custam cerca de US$ 4.050 no AssemblyAI-TTS-1, US$ 21.600 no Eleven v4 e US$ 10.800 no Eleven v4 Turbo.

A diferença entre AssemblyAI-TTS-1 e Eleven v4 Turbo nessa carga de trabalho é de $6.750 por mês para um volume de chamadas idêntico. Em comparação com o Eleven v4, é de $17.550.

Essa é a decisão real, e é uma decisão sem graça: você está escolhendo se um delta de qualidade vale US$ 6.750 por mês com cem mil chamadas. Todo o resto nessa comparação gira em torno de quão grande esse delta realmente é.

O que os US$ 65 adicionais por milhão de caracteres compram

No painel de audição cega, isso representa um ganho mensurável. O Provider Voice Arena da Artificial Analysis, consultado em 30 de outubro de 2026, classifica o Eleven v4 Turbo em primeiro lugar, com 1.336 Elo, e o Eleven v4 em segundo, com 1.334, contra o AssemblyAI-TTS-1, com 1.227, na décima quarta posição. Uma diferença de 107 pontos nessa escala não é ruído — os intervalos não se sobrepõem. No Controlled Voice Arena, que mantém constante a gravação de referência para que a comparação seja sobre fidelidade de clonagem e não sobre vozes padrão, o AssemblyAI-TTS-1 fica em décimo lugar, com 1.110.

O restante da lacuna é inventário e superfície de controle, e é maior do que a diferença de Elo sugere:

• Idiomas — O AssemblyAI-TTS-1 foi lançado com seis: inglês, espanhol, francês, alemão, italiano e português, cada um com vários sotaques. O Eleven v4 cobre mais de 90 idiomas com sotaques nativos, em vez de um falante de inglês lendo palavras estrangeiras.

• Biblioteca de vozes — mais de 4.000 no AssemblyAI-TTS-1 contra mais de 17.500 anunciados para o Eleven v4.

• Clonagem — clonagem instantânea apenas no AssemblyAI-TTS-1, a partir de uma amostra que o fornecedor demonstra em 24 segundos. O Eleven v4 combina clonagem instantânea a partir de apenas dez segundos com a Clonagem de Voz Profissional, que retornou na v4 após estar ausente na v3. Clones profissionais existentes podem precisar de retreinamento específico para a v4.

• Controles — o AssemblyAI-TTS-1 é fornecido sem SSML, sem parâmetro de velocidade, sem dicionário de pronúncia e sem tags de emoção. Sua publicação de lançamento é explícita ao afirmar que a pontuação e as disfluências escritas são lidas conforme escritas e que as pausas são induzidas por prompting, não por marcação. O Eleven v4 traz tags de áudio inline empilháveis — [laughs], [whispers] — e um limite de 10.000 caracteres por solicitação.

• Saída e infraestrutura — o AssemblyAI-TTS-1 faz streaming via WebSocket e HTTP, expõe um endpoint compatível com OpenAI, inclui timestamps por palavra, oferece suporte a uma mensagem de cancelamento para barge-in e publica agentes de referência LiveKit e Pipecat. O Eleven v4 é vendido por meio do ElevenAPI, ElevenAgents e ElevenCreative sob os IDs de modelo eleven_v4 e eleven_v4_turbo.

Leia essa lista como uma declaração de produto, e não como um placar. A AssemblyAI criou um endpoint de TTS para uma única tarefa — ler uma fala de diálogo em uma linha telefônica de forma rápida, correta e a preço fixo — e deliberadamente deixou de fora os controles de estúdio. A ElevenLabs continuou construindo uma plataforma de voz. Se o seu produto é dublagem, narração ou uma voz de marca que precisa ser treinada e governada, o endpoint de seis idiomas não entra na disputa, independentemente do preço.

Os números de latência divergem por um fator de três, e ambos são honestos.

Esta é a parte da comparação que a maioria das coberturas erra, nas duas direções. O post de lançamento da AssemblyAI cita 90 ms até o primeiro áudio em produção e uma mediana de 47 ms até o primeiro byte em seu próprio teste de laboratório, descrito como o mais rápido entre seis modelos. Sua tabela comparativa autorreportada coloca o ElevenLabs Flash v2.5 em 119 ms, o Cartesia Sonic 3.6 em 143 ms, o Inworld TTS-2 Flash em 244 ms, o Inworld TTS-2 em 280 ms e o ElevenLabs v4 em 612 ms. A documentação da própria ElevenLabs afirma uma mediana de aproximadamente 150 ms até a primeira fala e cerca de 100 ms de latência mediana de inferência para o Turbo.

Em seguida, a Cekura, uma empresa independente de testes, mediu o AssemblyAI-TTS-1 com latência mediana de streaming de 159 ms, oitavo entre os dezenove modelos que cronometrou, com 171 ms na mediana quando o texto completo é enviado e 296 ms no p90. Isso não é uma contradição dos 47 ms do fornecedor. É um cronômetro diferente: a AssemblyAI mede da solicitação até o primeiro byte, a Cekura mede da última palavra enviada até o primeiro áudio emitido. Um agente de voz negociando um turno se importa mais com a segunda medição, porque o LLM precisa terminar de gerar a frase primeiro.

A leitura honesta é que, na metodologia do próprio fornecedor, o AssemblyAI-TTS-1 é a coisa mais rápida da comparação e o ElevenLabs v4 é o mais lento por uma margem ampla, enquanto, em uma metodologia independente modelada para agentes, o AssemblyAI-TTS-1 fica no meio da tabela e tanto as alegações dele quanto as do ElevenLabs devem ser tratadas como não verificadas para o seu caminho de telefonia. A única comparação de latência que resiste ao escrutínio é contra o Flash v2.5, que é o SKU da ElevenLabs que existe para ganhar essa discussão e que terceiros mediram entre aproximadamente 185 e 197 ms em produção. O AssemblyAI-TTS-1, com 159 ms, é mais rápido que isso, a um preço 2,7× menor. É o único ponto nesta comparação em que mais barato e mais rápido são a mesma resposta.

Onde o AssemblyAI-TTS-1 falha primeiro

Não em velocidade nem em preço. Na longa cauda das coisas que um chamador real diz.

Os resultados por categoria da Cekura colocam o AssemblyAI-TTS-1 em primeiro lugar em números de telefone e códigos, com 91,7%, em quarto em naturalidade, com 4,50, e em vigésimo segundo de vinte e sete em pronúncia contextual, com 70,8%. A Artificial Analysis, da mesma forma, atribui a ele 81,7% no geral em robustez de pronúncia — décimo sexto entre os modelos que avaliou —, sendo a subpontuação mais fraca a de expansão de abreviações, com 73,8%. O ranking da Coval coloca sua taxa de erro de palavras em 1,7%, três décimos de ponto atrás do líder e à frente de Eleven v4 Turbo e Cartesia Sonic 3.6, com 1,8%, e de Deepgram Aura-2, com 1,9%.

Coloque isso lado a lado e um modo de falha específico aparece: este modelo é muito bom em ler um número em voz alta e visivelmente mais fraco em decidir como uma abreviação, um endereço ou um código de conta devem ser falados. Essa é precisamente a classe de erro que um dicionário de pronúncia corrige, e o AssemblyAI-TTS-1 ainda não traz um. Se o seu agente lê IDs de pedido, você está comprando um modelo cujo melhor recurso cobre isso e cujo pior recurso é justamente aquilo que você não consegue configurar.

A resposta da ElevenLabs para o mesmo problema não são melhores pontuações, e sim um controle mais refinado: dicionários, tags, velocidade e um clone profissional treinado na sua própria referência. Você está pagando $65 a mais por milhão de caracteres pela capacidade de corrigir a cauda você mesmo.

A outra metade do agente ainda está em uma conta diferente.

Um modelo TTS nunca roda sozinho em um agente de voz. Ele roda atrás de um modelo de linguagem que escreve a frase e, na maioria das stacks, esse modelo de linguagem é o item de maior custo e aquele com o relacionamento com fornecedor mais volátil. É essa camada que o OrcaRouter cobre: uma API para mais de 200 modelos ao preço de tabela do provedor, com 0% de markup, failover automático quando um provedor degrada, uma DSL de roteamento para compor modelos em uma única chamada e fusão de modelos quando uma resposta não é boa o suficiente.

Duas ressalvas honestas. Primeiro, o AssemblyAI-TTS-1 não está no catálogo do OrcaRouter hoje — as rotas de fala que oferecemos são tts-1, tts-1-hd e gpt-4o-mini-tts da OpenAI e as prévias do Gemini TTS do Google — então isto não é uma proposta de comprar o modelo aqui. Segundo, e mais útil: como a margem é zero e os preços de tabela dos provedores são repassados, um corte de preço do fornecedor no modelo de TTS que você rotear aparece na sua fatura no mesmo dia, que é o mecanismo que faz a mudança de faixa de US$ 80 para US$ 40 acima valer a pena acompanhar em vez de apenas ler a respeito.

O que fazer na segunda-feira

Três perguntas decidem isso mais rápido do que qualquer benchmark.

Seu agente precisa falar um idioma além dos seis com os quais o AssemblyAI-TTS-1 foi lançado? Então a comparação acabou, e acabou em cobertura, não em qualidade. Espere a lista de idiomas crescer ou pague à ElevenLabs.

Seu agente lê identificadores, códigos ou endereços em voz alta para um cliente? Então teste o AssemblyAI-TTS-1 com suas próprias strings antes de adotá-lo, porque as métricas independentes de pronúncia são a parte mais fraca de seu histórico, e a válvula de escape de configuração ainda não existe. A precisão de entidades de 93,7% do fornecedor em seu próprio conjunto de 580 itens — contra 93,6% do Eleven v4 e 68,0% do Flash v2.5, relatados pelo fornecedor e não reproduzidos — diz o oposto do que diz a pontuação contextual da Cekura. Uma dessas duas está medindo sua carga de trabalho, e você não sabe qual.

A voz é sua, treinada e governada? Então, ElevenLabs, sem muita discussão. A clonagem instantânea a partir de 24 segundos produz um ID de voz utilizável; não produz um ativo de marca que você possa defender.

Se as respostas forem seis idiomas, não e não — um agente telefônico em escala lendo turnos conversacionais comuns — então o AssemblyAI-TTS-1 a US$ 15, com concorrência ilimitada e sem taxas de concorrência, é a opção mais barata e, segundo a medição independente de latência, mais rápida, e a diferença de qualidade é de 107 Elo de preferência cega que você não está pagando US$ 6.750 por mês para fechar. Coloque-o atrás de um caminho de failover, execute-o com suas próprias gravações de chamadas por um mês e mantenha o Flash v2.5 conectado como fallback para o dia em que a cauda do seu corpus se revelar cheia de abreviações.

Essa é a comparação inteira. Um fornecedor está vendendo um teto e o outro está vendendo um piso, ambos com preços compatíveis, e o único erro caro possível aqui é comprar o teto para uma carga de trabalho que nunca chega a ele.