AssemblyAI-TTS-1 против ElevenLabs Eleven v4: что даёт вариант в 5,3 раза дешевле — и чего это стоит

AssemblyAI-TTS-1 стоит $15 за миллион символов. ElevenLabs Eleven v4 стоит $80. Соотношение — 5,3× — это та цифра, с которой начинается каждый заголовок об этом противостоянии, и она наименее полезна из всех, потому что модель, которую вы на самом деле поставили бы в основу телефонного агента, — не Eleven v4. Это Eleven v4 Turbo за $40 за миллион символов или Flash v2.5, тоже за $40. По сравнению с ними скидка составляет 2,7×, а по сравнению с Flash v2.5 — низколатентным собратом, который ElevenLabs продает именно для этой задачи, — AssemblyAI-TTS-1 вовсе не борется с укоренившимся игроком. Обе вышли за последние пять недель. Обе созданы для одного и того же клиента. Одна из них расплачивается за потолок качества, на котором другая решила не конкурировать.

Таблица цен делает больше работы, чем таблица бенчмарков.

AssemblyAI-TTS-1 стал общедоступным 27 октября 2026 года, а оценочные показатели были опубликованы днём позже. Его тарифная сетка необычно плоская: $15 за миллион входных символов, включая пробелы и знаки препинания, и этот единый тариф покрывает каждый голос в библиотеке из более чем 4000 голосов, все языки, доступные на старте, мгновенное клонирование голоса, временные метки слов и обработку в США или ЕС. Здесь нет платы за каждый голос, нет тарифов по уровню параллельных запросов и нет годового контракта, а поставщик утверждает, что цена за символ одинакова независимо от того, запускаете ли вы десять одновременных вызовов или десять тысяч.

Тарифная сетка ElevenLabs зависит от модели. Eleven v4, анонсированная 28 сентября 2026 года, указана по цене $0,08 за тысячу символов — $80 за миллион. Eleven v4 Turbo и Flash v2.5 указаны по $0,04 за тысячу, или $40 за миллион. Стартовая акция снижала цену v4 на 72% до 12 октября 2026 года; этот период уже закончился, поэтому $80 теперь — та сумма, которую с вас фактически выставят.

Переведите оба показателя в единицу, в которой команда голосового агента планирует бюджет. При обычной скорости речи около 150 слов в минуту и примерно шести символах на слово, включая пробелы, минута готовой речи — это около 900 символов. Это оценка, а не цифра от поставщика, но её достаточно, чтобы увидеть масштаб счёта:

• Один час непрерывной речи — около 54 000 символов — стоит примерно $0,81 на AssemblyAI-TTS-1, $4,32 на Eleven v4 и $2,16 на Eleven v4 Turbo.

• Сто тысяч трёхминутных вызовов — 300 000 минут, около 270 миллионов символов — стоят примерно $4 050 на AssemblyAI-TTS-1, $21 600 на Eleven v4 и $10 800 на Eleven v4 Turbo.

• Разница между AssemblyAI-TTS-1 и Eleven v4 Turbo при такой нагрузке составляет $6,750 в месяц при одинаковом объёме звонков. По сравнению с Eleven v4 — $17,550.

Вот это и есть настоящее решение, и оно скучное: вы выбираете, стоит ли дельта качества $6,750 в месяц при ста тысячах звонков. Всё остальное в этом противостоянии — о том, насколько велика эта дельта на самом деле.

Что дают дополнительные $65 за миллион символов

На доске слепого прослушивания это даёт измеримый выигрыш. В Provider Voice Arena от Artificial Analysis, по состоянию на 30 октября 2026 года, Eleven v4 Turbo занимает первое место с 1 336 баллами Elo, а Eleven v4 — второе с 1 334 баллами, тогда как AssemblyAI-TTS-1 с 1 227 баллами стоит на четырнадцатом месте. Разрыв в 107 баллов по этой шкале — не случайный шум: интервалы не пересекаются. В Controlled Voice Arena, где эталонная запись остаётся неизменной, так что сравнение идёт о точности клонирования, а не о готовых голосах, AssemblyAI-TTS-1 находится на десятом месте с 1 110 баллами.

Остальная часть разрыва — это инвентарь и поверхность управления, и она больше, чем предполагает разница в Эло:

• Языки — AssemblyAI-TTS-1 вышел с шестью языками: английским, испанским, французским, немецким, итальянским и португальским, каждый — с несколькими акцентами. Eleven v4 охватывает более 90 языков с родными акцентами, а не с английским произношением иностранных слов.

• Голосовая библиотека — более 4 000 в AssemblyAI-TTS-1 против более 17 500, заявленных для Eleven v4.

• Клонирование — мгновенное клонирование доступно только на AssemblyAI-TTS-1, по образцу, который вендор демонстрирует на 24-й секунде. Eleven v4 сочетает мгновенное клонирование по образцу длительностью всего от десяти секунд с Professional Voice Cloning, которая вернулась в v4 после отсутствия в v3. Существующим профессиональным клонам может потребоваться переобучение специально для v4.

• Управление — AssemblyAI-TTS-1 поставляется без SSML, без параметра скорости, без словаря произношения и без эмоциональных тегов. В его анонсе прямо сказано, что пунктуация и письменно обозначенные речевые запинки читаются так, как написаны, а паузы создаются посредством промптинга, а не разметки. Eleven v4 поставляется со стековыми встроенными аудиотегами — [laughs], [whispers] — и ограничением запроса в 10 000 символов.

• Вывод и инфраструктура — AssemblyAI-TTS-1 передаёт потоковые данные по WebSocket и HTTP, предоставляет совместимую с OpenAI конечную точку, поставляет временные метки слов, поддерживает сообщение отмены для перебивания и публикует референсных агентов LiveKit и Pipecat. Eleven v4 продаётся через ElevenAPI, ElevenAgents и ElevenCreative под идентификаторами моделей eleven_v4 и eleven_v4_turbo.

Воспринимайте этот список как заявление о продукте, а не как табло с результатами. AssemblyAI создала TTS-эндпоинт для одной задачи — быстро, корректно и по фиксированной цене озвучивать реплику диалога в телефонную линию — и намеренно не включила студийные элементы управления. ElevenLabs продолжала строить голосовую платформу. Если ваш продукт — это дубляж, озвучивание или бренд-голос, который нужно обучать и контролировать, эндпоинт с шестью языками не рассматривается независимо от цены.

Значения задержки расходятся в три раза, и оба они честны.

Это та часть сравнения, в которой большинство обзоров ошибается — причём в обе стороны. В публикации AssemblyAI о запуске приводятся 90 мс до первого аудио в продакшене и медианное время до первого байта 47 мс в собственном лабораторном тесте, описанное как самый быстрый показатель среди шести моделей. В собственной сравнительной таблице компании ElevenLabs Flash v2.5 указан на уровне 119 мс, Cartesia Sonic 3.6 — 143 мс, Inworld TTS-2 Flash — 244 мс, Inworld TTS-2 — 280 мс, а ElevenLabs v4 — 612 мс. В собственной документации ElevenLabs утверждается, что медианное время до первой речи составляет примерно 150 мс, а медианная задержка инференса для Turbo — около 100 мс.

Затем Cekura, независимая тестирующая фирма, измерила AssemblyAI-TTS-1: медианная задержка потоковой передачи — 159 мс, восьмое место среди девятнадцати моделей, которые она тестировала; 171 мс медианно при отправке полного текста и 296 мс на p90. Это не противоречит заявленным производителем 47 мс. Это другой секундомер: AssemblyAI измеряет время от запроса до первого байта, Cekura — от последнего отправленного слова до первого аудиовыхода. Голосовому агенту, ведущему диалог, важнее второе измерение, потому что LLM сначала должна закончить генерацию предложения.

Итак, честная интерпретация такова: по собственной методологии вендора AssemblyAI-TTS-1 — самое быстрое решение в сравнении, а ElevenLabs v4 — самое медленное с большим отрывом; при этом в независимой методологии, имитирующей агентскую нагрузку, AssemblyAI-TTS-1 оказывается в середине списка, и как его заявления, так и заявления ElevenLabs следует считать неподтверждёнными для вашего сценария телефонии. Единственное сравнение задержки, выдерживающее проверку, — с Flash v2.5: это SKU ElevenLabs, существующий именно для того, чтобы победить в этом споре, и третьи стороны измерили его в продакшене примерно в диапазоне 185–197 мс. AssemblyAI-TTS-1 с 159 мс быстрее него и при цене в 2,7 раза ниже. Это единственное место в этом противостоянии, где «дешевле» и «быстрее» — один и тот же ответ.

Где AssemblyAI-TTS-1 первым даёт сбой

Не скоростью и не ценой. А длинным хвостом того, что говорит настоящий звонящий.

Результаты Cekura в разбивке по категориям ставят AssemblyAI-TTS-1 на первое место по телефонным номерам и кодам с показателем 91,7%, на четвёртое место по естественности с 4,50 и на двадцать второе место из двадцати семи по контекстному произношению с 70,8%. Artificial Analysis также оценивает его в 81,7% в целом по устойчивости произношения — шестнадцатое место среди оценённых им моделей — с самым слабым подпоказателем по раскрытию сокращений на уровне 73,8%. В рейтинге Coval его частота ошибок в словах составляет 1,7%, что на три десятых процентного пункта меньше, чем у лидера, и опережает Eleven v4 Turbo и Cartesia Sonic 3.6 с 1,8% и Deepgram Aura-2 с 1,9%.

Сопоставьте их — и проявляется конкретная слабость: эта модель очень хорошо читает число вслух и заметно слабее определяет, как должны произноситься аббревиатура, адрес или код счёта. Именно этот класс ошибок исправляет словарь произношений, а AssemblyAI-TTS-1 пока не поставляется с таким словарём. Если ваш агент озвучивает идентификаторы заказов, вы покупаете модель, лучшая функция которой покрывает именно это, а худшая — то, что вы не можете обойти настройками.

Ответ ElevenLabs на ту же проблему — не более высокие оценки, а более тонкий контроль: словари, теги, скорость и профессиональный клон, обученный на вашем собственном референсе. Вы платите на $65 больше за миллион символов за возможность самостоятельно исправлять хвост.

Другая половина агента всё ещё в другом счёте.

TTS-модель никогда не работает в голосовом агенте одна. Она работает за языковой моделью, которая пишет предложение, и в большинстве стеков эта языковая модель — более крупная статья расходов и та, чьи отношения с поставщиком более изменчивы. Именно этот слой покрывает OrcaRouter: единый API для более чем 200 моделей по прайс-листовой цене провайдера с наценкой 0%, автоматическое переключение при сбое, когда провайдер деградирует, DSL маршрутизации для компоновки моделей в один вызов и слияние моделей, когда одного ответа недостаточно.

Две честные оговорки. Во-первых, AssemblyAI-TTS-1 сегодня нет в каталоге OrcaRouter — маршруты синтеза речи, которые мы предоставляем, — это tts-1, tts-1-hd и gpt-4o-mini-tts от OpenAI, а также превью Gemini TTS от Google, — поэтому это не рекламное предложение купить модель здесь. Во-вторых, что полезнее: поскольку наценка нулевая и списочные цены провайдеров проходят напрямую, снижение цены поставщиком на любую модель TTS, которую вы действительно маршрутизируете, отражается в вашем счёте в тот же день; именно этот механизм делает упомянутую выше перестановку тарифных ступеней с $80 на $40 заслуживающей наблюдения, а не простого чтения о ней.

Что делать в понедельник

Три вопроса решают это быстрее, чем любой бенчмарк.

Если вашему агенту нужно говорить на языке за пределами тех шести, с которыми запустился AssemblyAI-TTS-1, — сравнение окончено, и окончено по охвату, а не по качеству. Ждите, пока список языков расширится, или платите ElevenLabs.

Ваш агент зачитывает клиенту вслух идентификаторы, коды или адреса? Тогда проверьте AssemblyAI-TTS-1 на собственных строках, прежде чем внедрять его, потому что независимые метрики произношения — самая слабая часть его послужного списка, а конфигурационного обходного пути пока не существует. Заявленная поставщиком точность распознавания сущностей 93,7% на его собственном наборе из 580 элементов — против 93,6% у Eleven v4 и 68,0% у Flash v2.5, причём эти данные сообщены поставщиком и не были воспроизведены — говорит обратное тому, что показывает контекстная оценка Cekura. Одна из этих двух метрик измеряет именно вашу рабочую нагрузку, и вы не знаете, какая.

Голос — ваш, обученный и управляемый? Тогда ElevenLabs, без лишних споров. Мгновенное клонирование за 24 секунды создаёт пригодный для использования голосовой ID; оно не создаёт бренд-актив, который вы можете защитить.

Если ответы — «шесть языков», «нет» и «нет», а телефонный агент в масштабе обрабатывает обычные разговорные реплики, то AssemblyAI-TTS-1 за $15 с неограниченным параллелизмом и без платы за параллелизм — более дешёвый и, по независимому измерению задержки, более быстрый вариант, а разрыв в качестве составляет 107 Elo слепого предпочтения, и вы не платите $6 750 в месяц, чтобы его закрыть. Разместите его в конфигурации с аварийным переключением, прогоните его на ваших собственных записях звонков в течение месяца и оставьте Flash v2.5 подключённым в качестве резерва на случай, если хвост вашего корпуса окажется полон аббревиатур.

Вот и вся суть сравнения. Один поставщик продаёт потолок, а другой — пол, и оба соответствующим образом назначают цену; единственная дорогостоящая ошибка, которую здесь можно совершить, — это купить потолок для рабочей нагрузки, которая до него никогда не добирается.