AssemblyAI-TTS-1 по $15 за миллион символов: нижняя ценовая планка голосовых агентов только что сдвинулась

AssemblyAI-TTS-1 стала общедоступной 27 октября 2026 года по цене 15 долларов за миллион входных символов, и важное число — не то, что в заголовке, а то, которое получается после деления. При обычном темпе речи около 15 символов в секунду миллион символов — это примерно 18 часов готового аудио, что дает около 81 цента за час речи. Cartesia Sonic 3.6, текущий лидер по скорости, берет 49 долларов за миллион символов, или около 2,70 доллара в час. ElevenLabs v4 берет 80 долларов, или около 4,40 доллара в час. Это первая самостоятельная модель синтеза речи от AssemblyAI — до этой недели компания была поставщиком технологий распознавания речи — и она вышла на рынок, где лидер взимает в три–пять раз больше за ту же единицу работы.

Это утверждение требует немедленной оговорки, поскольку здесь три разные стороны приводят три разных типа цифр. Цена взята из собственной опубликованной тарифной сетки AssemblyAI, и её можно проверить на странице компании с ценами. Показатель задержки — из лабораторного теста, который AssemblyAI провела против пяти конкурирующих провайдеров: 30 промптов, три раунда, четыре штатных голоса на каждую модель, по одному запросу за раз. Место в рейтинге принадлежит Artificial Analysis и измерено независимо. Там, где эта статья ссылается на собственные оценки качества AssemblyAI — точность распознавания сущностей, прогнозируемая MOS, просодия, схожесть клонирования, — это данные, заявленные производителем, и никто за пределами AssemblyAI их не воспроизводил. Единственное действительно независимое измерение задержки, доступное на данный момент, указывает на нечто менее лестное, чем маркетинг, и именно с этого стоит начать.

Технические характеристики на одном экране

• Цена — 15 долларов за миллион входных символов; оплата рассчитывается по тексту, включая пробелы и знаки препинания; все голоса из библиотеки и все языки включены, без платы за отдельные голоса или параллельные запросы.

• Голоса — более 4000 в библиотеке, плюс мгновенное клонирование по короткому эталонному фрагменту (в демо использовались 24 секунды аудио)

• Языки — английский, испанский, французский, немецкий, итальянский, португальский при запуске, несколько акцентов, дата следующей партии не указана

• Задержка — 90 мс времени до первого аудиосигнала, указанные для production-среды и названные компанией консервативной оценкой; 47 мс медианного времени до первого байта в её собственном лабораторном сравнении

• Пропускная способность — 162 символа в секунду в Artificial Analysis, выше, чем у Cartesia Sonic 3.6 с 148,6.

• Интерфейсы — HTTP, WebSocket с сообщением отмены для перебивания и маршрут, совместимый с OpenAI; вместе с ним поставляются эталонные агенты LiveKit и Pipecat.

• Вывод — PCM, mu-law и A-law от 8 до 48 кГц, нативная частота 24 кГц, временные метки на уровне слов возвращаются вместе с аудио

• Размещение данных и ограничения — обработка в США или ЕС по той же цене, неограниченное число одновременных запросов при оплате по факту использования, без годового договора и без покупки тарифного плана

• Пока нет — ни SSML, ни параметра скорости, ни словарей произношения, ни тегов эмоций, ни тонко настроенного клонирования «pro»

Две из этих строк несут больше коммерческой нагрузки, чем остальные. Неограниченная параллельность по прайс-листу устраняет переговорный барьер, который большинство поставщиков TTS возводят перед высоконагруженными голосовыми агентами, где поминутные тарифы за параллельность могут оказаться дороже ставки за символ. А тарификация с учётом пробелов и знаков препинания честна, но не бесплатна: сценарий на 1 000 слов занимает примерно 6 000 символов с учётом пробелов и запятых, так что эффективная цена за произнесённое слово выше, чем предполагает наивное сравнение с оплатой за слово. AssemblyAI этого не скрывает — на странице с ценами об этом прямо сказано — но именно такая деталь превращает заявленный разрыв в 3 раза в разрыв в 2,7 раза на реальном сценарии.

Почему показатель 47 мс имеет такое большое значение

В посте о запуске на первом месте скорость, а лежащий в основе тест информативнее большинства сравнений поставщиков, поскольку в нём названы конкуренты и методика. Медианное время до первого байта, один клиент, последовательные запросы: AssemblyAI-TTS-1 — 47 мс, ElevenLabs Flash v2.5 — 119 мс, Cartesia Sonic 3.6 — 143 мс, Inworld TTS-2 Flash — 244 мс, Inworld TTS-2 — 280 мс, ElevenLabs v4 — 612 мс. Если принимать эту схему, AssemblyAI не просто быстрый — он примерно в три раза быстрее по времени до первого байта, чем Cartesia Sonic 3.6, модель, с которой он конкурирует по цене, и в два с половиной раза быстрее, чем ElevenLabs Flash v2.5.

То, чего не может показать эта конфигурация, — это то, что происходит под нагрузкой. Один клиент, отправляющий по одному запросу за раз, измеряет модель, а не сервис: без очередей, без конкуренции за ресурсы при параллельных запросах, без пути холодного старта и без сетевого перехода между регионами. Показатель 90 мс для продакшена — это собственная попытка компании учесть это, и разрыв между 47 и 90 мс примерно равен величине реальных издержек, которых не видит лабораторный тест. Любой, кто запускал голосового агента при больших объёмах, узнает в этом стандартную форму маркетинга задержки TTS: чистое лабораторное число для слайда с бенчмарком, более мягкое производственное число для разговора о ценах и третье число, которое появляется только когда вы оказываетесь в публичной сети в регионе, далёком от конечной точки.

Это третье число теперь действительно существует, и оно хуже. Cekura, независимая организация по оценке голосовых агентов, измерила медианную задержку потоковой передачи 159 мс для AssemblyAI-TTS-1 на своём наборе тестовых фраз в стиле агента — это ставит систему на восьмое место из девятнадцати, а не на первое. Cekura также оценила точность чтения в 81,5%, практически на уровне ElevenLabs v4 с 80,4%, при этом поставив AssemblyAI на первое место по телефонным номерам и кодам с 91,7% и на четвёртое по естественности с 4,50. Если сопоставить два источника, складывается связная картина: AssemblyAI-TTS-1 действительно быстро начинает говорить, необычно хорошо справляется с труднопроизносимыми токенами и не является самым быстрым решением в таблице, когда в дело вступает реальный потоковый маршрут.

Две арены Artificial Analysis — две разные истории

Artificial Analysis ведёт две таблицы TTS, и они измеряют разные вещи. В арене Provider Voice каждая модель говорит своими нативными голосами; арена Controlled Voice заставляет каждую модель использовать одни и те же восемь клонированных голосов. Это различие — самое полезное в этом запуске, потому что AssemblyAI-TTS-1 показывает лучший результат на контролируемой арене, чем в собственном каталоге.

• Provider Voice — 1 227 Elo, 12-е место на дебюте, 1 626 оценённых выступлений. Два дня спустя live-таблица показывает 1 227 на 14-м месте: тот же счёт, но ниже ранг, потому что две модели вошли выше него. Elo — стабильное число; ранг — движущаяся цель.

• Controlled Voice — 1,110 Elo, 10-е место на дебюте, 1,674 выступлений. На текущем табло теперь указано 1,108 на 10-м месте.

• Устойчивость произношения — 81,7% на 2 115 оценённых клипах, 16-е место в этом рейтинге.

• Скорость генерации — 162 символа в секунду.

Модель, которая занимает более высокое место среди клонированных голосов, чем среди собственной библиотеки из 4000 голосов, сообщает вам кое-что конкретное: акустика конкурентоспособна, а дизайн голоса пока не стал отличительным фактором. Breeze TTS 2, лидер среди открытых весов, демонстрирует прямо противоположную картину — сильна на голосах провайдера, слаба на контролируемых, — и именно в этом сравнении становится интересно. AssemblyAI создала широкий, дешёвый, компетентный каталог; но она пока не создала голоса, которые побеждают в слепых прослушиваниях за счёт собственных достоинств.

На смещение в рейтинге стоит обратить внимание по практической причине. Все агрегаторы, освещающие этот запуск, цитируют «топ-12 в Provider Voice» из анонсирующего поста Artificial Analysis, а к моменту, когда вы это читаете, тот же результат может находиться на 15-м или 16-м месте. Это не означает, что AssemblyAI теряет качество. Это таблица лидеров, где несколько очков Elo охватывают пять позиций и где новые участники появляются почти каждую неделю. Оценивайте Elo, отмечайте дату, когда вы это читаете, и не воспринимайте сдвиг на две позиции как регресс.

Где оценки поставщиков выглядят сильными, а где — нет.

AssemblyAI опубликовала более полный набор цифр, чем большинство запусков TTS: все они — результаты её собственной работы, все проверены на 50 общих клонированных голосах, при этом сгенерированное аудио транскрибировалось обратно через её распознаватель Universal-3.5 Pro. Методология разумна — прогон аудио туда и обратно через модель ASR служит разумным прокси-показателем разборчивости — но это всё равно тест, который разработчик сам разработал и оценил.

• Точность распознавания сущностей на сложных целях (номера телефонов, URL, коды подтверждения, названия лекарств) — 93,7% у AssemblyAI-TTS-1, 93,6% у ElevenLabs v4, 82,5% у Cartesia Sonic 3.6, 68,0% у ElevenLabs Flash v2.5. Преимущество в одну десятую пункта над ElevenLabs v4 — это ничья, рядящаяся в одежды победы; а вот 11-пунктовый разрыв с Sonic 3.6 — это настоящая находка.

• Точность по словам — 99,0%, что настолько близко к потолку, что перестаёт различать хорошие модели.

• Прогнозируемый MOS — 3.85, и здесь AssemblyAI проигрывает: Inworld TTS-2 Flash получает 3.88 по той же шкале, при этом Cartesia Sonic 3.6 — 3.82, а обе модели ElevenLabs ниже них. В собственной таблице поставщика она не стоит на первом месте.

• Просодия TTSDS — 85,5; показатель, для которого в публикации отсутствует базовая линия по другим вендорам.

• Сходство голоса клона — 0,64, что низко для мгновенного клонирования и согласуется с позицией в контролируемой арене, а не с позицией провайдера.

Честное резюме по этой таблице уже, чем рекламные материалы запуска: AssemblyAI-TTS-1 отлично справляется со сложными строками, конкурентоспособна по разборчивости, находится в середине списка по естественности и слабее всего по идентичности голоса при клонировании. Для голосового агента, читающего номера счетов и почтовые индексы, первая строка — та, что окупается. Для озвученной аудиокниги или персонажного голоса важны последние две строки, и эта модель не лучший выбор.

Чего он пока не умеет делать и во что это вам обходится

Пробелы в функциональности — обычное дело для первого релиза, но для этой категории они имеют необычно серьезные последствия. Здесь нет SSML, поэтому нет надежного способа задать паузу, ударение или произношение, не переписывая текст. Нет параметра скорости, а значит, темп приходится регулировать выше по цепочке, генерируя больше или меньше слов. Нет пользовательских словарей произношения, хотя точность в отношении сущностей — главный козырь: когда модель все же произносит название бренда неправильно, вы не можете передать ей лексикон, остается только переписать текст с учетом произношения и надеяться. Эмоциональные теги и тонко настроенное профессиональное клонирование, по словам самого производителя, оба значатся как «скоро», а заголовок «встроенная эмоциональность» на странице запуска неловко соседствует с разделом FAQ, в котором говорится, что специализированные средства управления эмоциями недоступны.

Языковой охват — это более жёсткое ограничение. Шесть языков на старте против 44 у Cartesia Sonic 3.6 и заявленных 50 у Breeze TTS 2 — с оговоркой, что в собственной карточке модели Breeze указаны только английский и китайский. Если вашему агенту нужно на одной неделе отвечать немецкоязычному и португалоязычному звонящему, AssemblyAI поддерживает оба. Если же нужны польский, японский или арабский, то нет — и дата не объявлена.

Как вы на самом деле это получаете.

AssemblyAI-TTS-1 предоставляется через собственный API поставщика — HTTP, WebSocket и OpenAI-совместимую конечную точку — с хостами в США и ЕС по одинаковой цене, а также с бонусом $50 при регистрации и указанной стартовой моделью — только оплата по мере использования. Кроме того, он доступен через несколько сторонних платформ. Сегодня его нет в каталоге OrcaRouter, и мы не собираемся делать вид, что он там есть; если он нужен вам на этой неделе, API поставщика — прямой путь.

В этом запуске нас действительно беспокоит то, какое решение он порождает. Голосовой агент — это конвейер из трёх моделей: распознавание речи, языковая модель, синтез речи — и теперь именно звено TTS имеет самый широкий разброс цен и самых новых участников. Именно в этом звене нужно заранее подключить второй вариант, прежде чем сделать окончательный выбор, потому что совершенно новая модель с тестом задержки на одном клиенте и без независимого нагрузочного тестирования — это типичный компонент, который должен находиться за резервным вариантом. Маршрутизация более 200 моделей через один API с наценкой 0% — это то, что мы делаем: цена из прайс-листа поставщика передаётся без изменений, так что снижение цены вступает в силу в тот же день, а автоматическое переключение при сбое не позволяет неудачному дню у одного провайдера вывести агента из строя. Модели TTS, которые мы маршрутизируем сегодня, — это tts-1 от OpenAI, tts-1-hd и gpt-4o-mini-tts, а также Gemini 3.1 Flash TTS Preview от Google — рабочее второе звено, пока AssemblyAI-TTS-1 доказывает себя на вашем трафике, а не на собственном.

Что изменило бы вердикт

Три вещи — в порядке того, насколько сильно они повлияли бы на решение. Во-первых, независимый замер задержки при реальной конкурентной нагрузке: показатель потоковой передачи Cekura в 159 мс — единственное внешнее измерение на данный момент, и это одно число от одной лаборатории. Если вторая лаборатория воспроизведёт преимущество в 47 мс по времени до первого байта — или не воспроизведёт — это решит, выдерживает ли заявление о скорости проверку очередью. Во-вторых, словарь произношения. Точность распознавания сущностей — сильнейший аргумент модели, и в то же время это та способность, которую в производственной среде вероятнее всего сведёт на нет название продукта, которого модель никогда не видела. Выпуск словарей превращает победу в бенчмарке в операционную победу. В-третьих, растут ли шесть языков по тому же графику, что и остальная часть дорожной карты, потому что ценовое преимущество накапливается только тогда, когда покрытие догоняет.

Пока они не появятся, правильная трактовка этого запуска остаётся узкой и полезной: AssemblyAI-TTS-1 — самый дешёвый из заслуживающих доверия TTS API на рынке от поставщика с десятилетней историей речевой инфраструктуры; он быстр в лаборатории и достаточно быстр в единственном существующем внешнем тесте; он лучше справляется с чтением сложных строк, чем всё, с чем его сравнивали; по естественности он в середине, а по клонированной идентичности слаб. Это уверенная покупка для высоконагруженных агентов на шести языках и преждевременная — для всего, чему нужен узнаваемый голос.