AssemblyAI-TTS-1 för $15 per miljon tecken: röstagenternas prisgolv har just flyttats

AssemblyAI-TTS-1 blev allmänt tillgänglig den 27 oktober 2026 för 15 dollar per miljon indatatecken, och det avgörande talet är inte det i rubriken – det är det du får efter att ha dividerat. Vid ett normalt tal tempo på ungefär 15 tecken per sekund motsvarar en miljon tecken cirka 18 timmar färdig ljud, vilket placerar modellen nära 81 cent per timmes tal. Cartesia Sonic 3.6, den nuvarande ledaren inom hastighet, fakturerar 49 dollar per miljon tecken, eller cirka 2,70 dollar per timme. ElevenLabs v4 fakturerar 80 dollar, eller cirka 4,40 dollar per timme. Detta är AssemblyAI:s första fristående text-till-tal-modell – företaget var en leverantör av tal-till-text fram till denna vecka – och det har trätt in på en marknad där ledaren tar tre till fem gånger mer för samma arbetsenhet.

Påståendet kräver omedelbart en kvalificering, eftersom tre olika parter här bidrar med tre olika slags siffror. Priset är AssemblyAIs egen publicerade prislista och går att kontrollera på deras prissida. Latenssiffran kommer från ett labbtest som AssemblyAI körde mot fem konkurrerande leverantörer, på 30 prompter, tre omgångar, fyra standardröster per modell, en begäran i taget. Placeringen på leaderboarden är Artificial Analysiss, mätt oberoende. Där den här artikeln citerar AssemblyAIs egna kvalitetsevalueringar – entitetsnoggrannhet, förutspått MOS, prosodi, klonlikhet – är dessa leverantörsrapporterade och ingen utanför AssemblyAI har reproducerat dem. Den enda genuint oberoende latensmätning som hittills finns tillgänglig pekar på något mindre smickrande än marknadsföringen, och det är värt att börja med det.

Specifikationsbladet på en skärm

• Pris — 15 USD per miljon indatatecken, faktureras utifrån text inklusive blanksteg och skiljetecken, alla röster i biblioteket och alla språk ingår, ingen avgift per röst eller för samtidighet

• Röster – fler än 4 000 i biblioteket, plus omedelbar kloning från ett kort referensexempel (demon använde 24 sekunder ljud)

• Språk — engelska, spanska, franska, tyska, italienska, portugisiska vid lanseringen, flera accenter, inget datum angivet för nästa omgång

• Latens — 90 ms tid till första ljud angivet för produktion, som företaget beskriver som konservativt; 47 ms median tid till första byte i företagets egen labbjämförelse

• Genomströmning – 162 tecken per sekund på Artificial Analysis, före Cartesia Sonic 3.6 på 148,6

• Gränssnitt — HTTP, WebSocket med ett avbrytmeddelande för barge-in samt en OpenAI-kompatibel rutt; referensagenterna för LiveKit och Pipecat levereras med det

• Utdata — PCM, mu-law och A-law vid 8 till 48 kHz, 24 kHz inbyggt, tidsstämplar på ordnivå returneras tillsammans med ljudet

• Datalagring och begränsningar — bearbetning i USA eller EU till samma pris, obegränsad samtidighet med pay-as-you-go, inget årsavtal eller nivåköp

• Ännu inte – ingen SSML, ingen hastighetsparameter, inga uttalsordböcker, inga känslotaggar, ingen finjusterad "pro"-kloning

Två av dessa rader gör mer kommersiellt arbete än resten. Obegränsad samtidighet till listpris eliminerar den förhandling som de flesta TTS-leverantörer lägger framför röstagenter med hög volym, där samtidighetsnivåer per minut kan överstiga priset per tecken. Och fakturering som räknar mellanslag och skiljetecken är ärlig men inte gratis: ett manus på 1 000 ord uppgår till ungefär 6 000 tecken när mellanslag och kommatecken räknas in, så det effektiva priset per uttalat ord är högre än en naiv jämförelse mot prissättning per ord antyder. AssemblyAI döljer inte det – prissidan säger det rakt ut – men det är den typen av detalj som förvandlar en skillnad på 3x i rubriken till 2,7x för ett verkligt manus.

Varför siffran 47 ms väger så tungt

Lanseringsinlägget leder med snabbhet, och det bakomliggande testet är mer informativt än de flesta leverantörsjämförelser eftersom det namnger sina konkurrenter och sin metod. Median tid till första byte, enskild klient, sekventiella förfrågningar: AssemblyAI-TTS-1 på 47 ms, ElevenLabs Flash v2.5 på 119 ms, Cartesia Sonic 3.6 på 143 ms, Inworld TTS-2 Flash på 244 ms, Inworld TTS-2 på 280 ms, ElevenLabs v4 på 612 ms. Om man accepterar det upplägget är AssemblyAI inte bara snabbt – det är ungefär tre gånger snabbare till första byte än Cartesia Sonic 3.6, modellen som det prissätts mot, och två och en halv gång snabbare än ElevenLabs Flash v2.5.

Det uppsättningen inte kan berätta för dig är vad som händer under belastning. En enskild klient som skickar en förfrågan i taget mäter modellen, inte tjänsten: ingen köbildning, ingen konkurrens vid samtidighet, ingen kallstartväg, inget nätverkshopp mellan regioner. Produktionssiffran på 90 ms är företagets eget försök att ta hänsyn till detta, och gapet mellan 47 och 90 ms är ungefär lika stort som det verkliga påslaget som labbtestet inte kan se. Alla som har kört en röstagent i stor skala kommer att känna igen detta som den vanliga formen för marknadsföring av TTS-latens: en ren labsiffra för benchmarkbilden, en mjukare produktionssiffra för prissamtalet och en tredje siffra som bara dyker upp när man är på ett offentligt nätverk i en region långt från slutpunkten.

Det där tredje numret finns faktiskt nu, och det är värre. Cekura, en oberoende utvärderingsaktör för röstagenter, uppmätte en medianströmningslatens på 159 ms för AssemblyAI-TTS-1 över sin testuppsättning av agentliknande meningar – vilket placerar det på åttonde plats av nitton system i stället för först. Cekura mätte också uppläsningsnoggrannheten till 81,5 %, i stort sett på samma nivå som ElevenLabs v4 på 80,4 %, samtidigt som man rankade AssemblyAI först när det gäller telefonnummer och koder på 91,7 % och fyra på naturlighet på 4,50. Läser man de två källorna tillsammans träder en sammanhängande bild fram: AssemblyAI-TTS-1 är verkligen snabb att börja tala, ovanligt bra på svåruttalade token och inte det snabbaste på listan när en verklig strömningsväg ingår i loopen.

Två Artificial Analysis-arenor, två olika historier

Artificial Analysis driver två TTS-tavlor och de mäter olika saker. I Provider Voice-arenan talar varje modell med sina egna inbyggda röster; i Controlled Voice-arenan tvingas varje modell att använda samma åtta klonade röster. Den distinktionen är det mest användbara i den här lanseringen, eftersom AssemblyAI-TTS-1 presterar bättre på den kontrollerade tavlan än i sin egen katalog.

• Provider Voice — 1 227 Elo, 12:e vid debuten, 1 626 bedömda framträdanden. Två dagar senare visar den live-tavlan 1 227 på 14:e plats: samma poäng, lägre placering, eftersom två modeller kom in ovanför den. Elo är den stabila siffran; placeringen är ett rörligt mål.

• Controlled Voice – 1 110 Elo, 10:a vid debuten, 1 674 framträdanden. Live-tavlan visar nu 1 108 på 10:e plats.

• Uttalsrobusthet — 81,7 % över 2 115 bedömda klipp, 16:e på den resultattavlan.

• Genereringshastighet — 162 tecken per sekund.

En modell som rankas högre bland klonade röster än bland sitt eget bibliotek med 4 000 röster säger dig något specifikt: akustiken är konkurrenskraftig, och röstdesignen är ännu inte det som skiljer den åt. Breeze TTS 2, ledaren bland modeller med öppna vikter, visar exakt motsatt mönster – stark på leverantörsröster, svag på kontrollerade sådana – och det är i den jämförelsen det blir intressant. AssemblyAI har byggt en bred, billig och kompetent katalog; det har ännu inte byggt röster som vinner blindlyssningstester på egen merit.

Rangdriftet är värt att notera av ett praktiskt skäl. Varje aggregator som bevakar den här lanseringen citerar "topp 12 i Provider Voice" från Artificial Analysiss tillkännagivandeinlägg, och när du läser det här kan samma poäng ligga på 15:e eller 16:e plats. Det betyder inte att AssemblyAI förlorar kvalitet. Det är en topplista där en handfull Elo-poäng spänner över fem placeringar, och där nya poster dyker upp nästan varje vecka. Bedöm Elo-poängen, notera datumet du läser den och behandla inte en nedgång på två placeringar som en regression.

Där leverantörsutvärderingarna ser starka ut, och där de inte gör det

AssemblyAI publicerade en mer fullständig uppsättning siffror än de flesta TTS-lanseringar, samtliga från deras eget arbete, alla testade på 50 delade klonade röster med genererat ljud som transkriberades tillbaka genom deras Universal-3.5 Pro-igenkännare. Metodiken är rimlig – att köra ljudet fram och tillbaka genom en ASR-modell är en skälig proxy för förståelighet – men det är fortfarande ett test som leverantören har utformat och poängsatt.

• Entitetsnoggrannhet på svåra mål (telefonnummer, URL:er, bekräftelsekoder, läkemedelsnamn) – 93,7 % för AssemblyAI-TTS-1, 93,6 % för ElevenLabs v4, 82,5 % för Cartesia Sonic 3.6, 68,0 % för ElevenLabs Flash v2.5. En tiondels procentenhet över ElevenLabs v4 är oavgjort i segerns kläder; gapet på 11 procentenheter över Sonic 3.6 är det verkliga fyndet.

• Ordnoggrannhet — 99,0 %, vilket ligger så nära taket att det inte längre skiljer mellan bra modeller.

• Förutspått MOS – 3,85, och här förlorar AssemblyAI: Inworld TTS-2 Flash får 3,88 på samma skala, med Cartesia Sonic 3.6 på 3,82 och båda ElevenLabs-modellerna under dem. Leverantörens egen tabell placerar den inte först.

• TTSDS-prosodi — 85,5, en siffra utan baslinje mellan leverantörer i inlägget.

• Klonens talarlikhet — 0,64, vilket är lågt för omedelbar kloning och överensstämmer med placeringen i den kontrollerade arenan snarare än leverantörens.

Den ärliga sammanfattningen av den tabellen är snävare än lanseringsmaterialet: AssemblyAI-TTS-1 är utmärkt på att få svåra strängar rätt, konkurrenskraftig när det gäller förståelighet, i mitten när det gäller naturlighet och svagast på röstidentitet när man klonar. För en röstagent som läser kontonummer och postnummer är den första raden den som gör nytta. För en inläst ljudbok eller en karaktärsröst är de två sista raderna de som spelar roll, och den här modellen är inte valet.

Vad den ännu inte kan, och vad det kostar dig

Funktionsluckorna är normala för en första version och ovanligt konsekvensrika för den här kategorin. Det finns ingen SSML, så det finns inget tillförlitligt sätt att tvinga fram en paus, en betoning eller ett uttal utan att skriva om texten. Det finns ingen hastighetsparameter, vilket innebär att tempot måste hanteras uppströms genom att generera fler eller färre ord. Det finns inga anpassade uttalsordböcker, trots att entitetsnoggrannheten är huvudstyrkan — när modellen faktiskt uttalar ett varumärke fel kan du inte ge den en ordlista, du kan bara stava om texten och hoppas. Känslotaggar och finjusterad proffskloning är båda "kommer snart" enligt leverantörens egna ord, och lanseringssidans rubrik "native emotion" står klamt bredvid en FAQ som säger att dedikerade känslokontroller inte är tillgängliga.

Språktäckningen är den skarpare begränsningen. Sex språk vid lansering jämfört med 44 för Cartesia Sonic 3.6 och uppgivna 50 för Breeze TTS 2 – med förbehållet att Breeze eget modellkort endast märker engelska och kinesiska. Om din agent behöver svara en tysk uppringare och en portugisisk uppringare samma vecka täcker AssemblyAI båda. Om den behöver polska, japanska eller arabiska gör den inte det, och inget datum har angivits.

Så här får du faktiskt det

AssemblyAI-TTS-1 levereras från leverantörens eget API – HTTP, WebSocket och en OpenAI-kompatibel endpoint – med värdar i USA och EU till samma pris, plus en registreringskredit på $50 och en angiven startpunkt som endast är pay-as-you-go. Utöver det är den tillgänglig via flera tredjepartsplattformar. Den finns inte i OrcaRouter-katalogen i dag, och vi kommer inte att föreställa oss att den gör det; om du vill ha den den här veckan är leverantörens API den direkta vägen.

Den del av den här lanseringen som faktiskt bekymrar oss är utformningen av det beslut den skapar. En röstagent är en pipeline med tre modeller – taligenkänning, en språkmodell, talsyntes – och TTS-delen är nu den med störst prisspann och de nyaste aktörerna. Det är exakt den del där du vill ha ett andra alternativ inkopplat innan du binder dig, eftersom en helt ny modell med en latensmätning från en enda klient och ingen oberoende lasttestning är själva definitionen av en komponent som bör ligga bakom en reservlösning. Att routa mer än 200 modeller via ett enda API med 0 % påslag är vad vi gör, där leverantörens listpris skickas vidare så att en prissänkning slår igenom samma dag, och automatisk redundansväxling så att en dålig eftermiddag hos en leverantör inte tar ner agenten. De TTS-modeller vi routar i dag är OpenAI:s tts-1, tts-1-hd och gpt-4o-mini-tts tillsammans med Googles Gemini 3.1 Flash TTS Preview – ett fungerande andra ben medan AssemblyAI-TTS-1 bevisar sig under din trafik i stället för sin egen.

Vad skulle ändra domen?

Tre saker, i ordning efter hur mycket de skulle påverka beslutet. För det första, en oberoende latensmätning under verklig samtidighet: Cekuras siffra på 159 ms för strömning är den enda externa mätningen hittills, och det är en enda siffra från ett enda labb. Ett andra labb som reproducerar fördelen på 47 ms till första byte – eller som inte lyckas – skulle avgöra om hastighetsanspråket överlever mötet med en kö. För det andra, uttalsordboken. Entitetsnoggrannheten är modellens starkaste argument, och det är också den förmåga som i produktion mest sannolikt kan slås ut av ett produktnamn som modellen aldrig har sett. Att leverera ordböcker förvandlar en benchmarkvinst till en operativ vinst. För det tredje, om de sex språken utökas enligt samma tidplan som resten av roadmapen, eftersom prisfördelen bara förstärks om täckningen hinner i kapp.

Tills de är på plats är den korrekta tolkningen av den här lanseringen snäv och användbar: AssemblyAI-TTS-1 är det billigaste trovärdiga TTS-API:t på marknaden från en leverantör med ett decenniums talinfrastruktur i ryggen, det är snabbt i labb och snabbt nog i det enda externa test som finns, det läser svåra strängar bättre än något annat det jämfördes med, och det ligger i mittenpacken vad gäller naturlighet och är svagt vad gäller klonad identitet. Det är ett starkt köp för högvolymagenter på sex språk, och ett förhastat köp för allt som behöver en distinkt röst.