AssemblyAI-TTS-1 ราคา 15 ดอลลาร์ต่อล้านตัวอักษร: พื้นราคาของ Voice Agent เพิ่งขยับแล้ว

AssemblyAI-TTS-1เปิดให้ใช้งานทั่วไปเมื่อวันที่ 27 ตุลาคม 2026 ในราคา 15 ดอลลาร์ต่ออักขระอินพุตหนึ่งล้านตัว และตัวเลขที่สำคัญไม่ใช่ตัวเลขในพาดหัวข่าว แต่เป็นตัวเลขที่คุณได้หลังจากหาร ด้วยความเร็วในการพูดปกติที่ราว 15 อักขระต่อวินาที อักขระหนึ่งล้านตัวคิดเป็นเสียงที่เสร็จสมบูรณ์ประมาณ 18 ชั่วโมง ซึ่งทำให้โมเดลนี้อยู่ที่ประมาณ 81 เซนต์ต่อชั่วโมงเสียงพูด Cartesia Sonic 3.6 ซึ่งเป็นผู้นำด้านความเร็วรายเดิม คิดราคา 49 ดอลลาร์ต่ออักขระหนึ่งล้านตัว หรือประมาณ 2.70 ดอลลาร์ต่อชั่วโมง ElevenLabs v4 คิดราคา 80 ดอลลาร์ หรือประมาณ 4.40 ดอลลาร์ต่อชั่วโมง นี่คือโมเดลแปลงข้อความเป็นเสียงพูดแบบอิสระตัวแรกของ AssemblyAI — บริษัทนี้เป็นผู้จำหน่ายระบบแปลงเสียงเป็นข้อความจนถึงสัปดาห์นี้ — และได้ก้าวเข้าสู่ตลาดที่ผู้นำเรียกเก็บราคาสูงกว่า 3 ถึง 5 เท่าสำหรับงานในปริมาณเดียวกัน

ข้อกล่าวอ้างนี้สมควรได้รับคำกำกับทันที เพราะมีสามฝ่ายที่ให้ตัวเลขสามประเภทต่างกันในเรื่องนี้ ราคาเป็นอัตราที่ AssemblyAI เผยแพร่เองในผังราคา และตรวจสอบได้จากหน้าราคาของบริษัท ตัวเลขความหน่วงมาจากการทดสอบในแล็บที่ AssemblyAI ทำกับผู้ให้บริการคู่แข่งห้าราย โดยใช้พรอมป์ต์ 30 รายการ สามรอบ เสียงสำเร็จรูปสี่เสียงต่อโมเดล และส่งคำขอครั้งละหนึ่งรายการ ตำแหน่งบนลีดเดอร์บอร์ดเป็นของ Artificial Analysis ซึ่งวัดอย่างอิสระ ส่วนกรณีที่บทความนี้อ้างถึงการประเมินคุณภาพของ AssemblyAI เอง — ความแม่นยำของเอนทิตี, ค่า MOS ที่คาดการณ์, จังหวะและทำนองเสียง (prosody), ความคล้ายคลึงของการโคลนเสียง — สิ่งเหล่านี้เป็นข้อมูลที่ผู้ขายรายงาน และไม่มีใครนอก AssemblyAI ที่ทำซ้ำได้ ผลการวัดความหน่วงที่เป็นอิสระจริงเพียงหนึ่งเดียวที่มีจนถึงขณะนี้ชี้ไปในทางที่ไม่ได้ดูดีนักเมื่อเทียบกับการตลาด และควรเริ่มต้นด้วยประเด็นนั้น

สเปกชีตในหน้าจอเดียว

• ราคา — 15 ดอลลาร์ต่ออักขระอินพุต 1 ล้านตัว โดยคิดค่าบริการจากข้อความซึ่งรวมช่องว่างและเครื่องหมายวรรคตอน รวมเสียงทั้งหมดในไลบรารีและทุกภาษาไว้แล้ว ไม่มีค่าธรรมเนียมรายเสียงหรือค่าธรรมเนียมการประมวลผลพร้อมกัน

• เสียง — มีมากกว่า 4,000 เสียงในคลังเสียง และยังโคลนเสียงได้ทันทีจากตัวอย่างอ้างอิงสั้น ๆ (เดโมใช้เสียงยาว 24 วินาที)

• ภาษา — อังกฤษ สเปน ฝรั่งเศส เยอรมัน อิตาลี โปรตุเกส ในการเปิดตัว มีหลายสำเนียง ไม่ระบุวันที่สำหรับชุดถัดไป

• เวลาแฝง — 90 ms คือเวลาถึงเสียงแรกที่ระบุสำหรับโปรดักชัน ซึ่งบริษัทอธิบายว่าเป็นค่าที่อนุรักษ์ไว้; 47 ms คือเวลาถึงไบต์แรกค่ามัธยฐานในการเปรียบเทียบในแล็บของบริษัทเอง

• Throughput — 162 อักขระต่อวินาทีบน Artificial Analysis ซึ่งนำหน้า Cartesia Sonic 3.6 ที่ 148.6

• อินเทอร์เฟซ — HTTP, WebSocket พร้อมข้อความยกเลิกสำหรับการพูดแทรก และเส้นทางที่เข้ากันได้กับ OpenAI; เอเจนต์อ้างอิง LiveKit และ Pipecat มาพร้อมด้วย

• เอาต์พุต — PCM, mu-law และ A-law ที่ 8 ถึง 48 kHz โดยมีความถี่เนทีฟ 24 kHz พร้อมส่งคืนการประทับเวลาระดับคำไปกับเสียง

• ที่ตั้งและการจำกัด — ประมวลผลในสหรัฐฯ หรือ EU ในราคาเดียวกัน จำนวนงานที่ทำพร้อมกันไม่จำกัดเมื่อใช้แบบจ่ายตามการใช้งาน ไม่มีสัญญารายปีหรือการซื้อแพ็กเกจตามระดับ

• ยังไม่ใช่ — ไม่มี SSML, ไม่มีพารามิเตอร์ความเร็ว, ไม่มีพจนานุกรมการออกเสียง, ไม่มีแท็กอารมณ์, ไม่มีการโคลน "pro" แบบปรับละเอียด

สองในบรรทัดเหล่านั้นทำงานเชิงพาณิชย์ได้มากกว่าบรรทัดที่เหลือ การรองรับการทำงานพร้อมกันแบบไม่จำกัดในราคาตามที่ประกาศไว้ช่วยขจัดขั้นตอนการเจรจาที่ผู้ให้บริการ TTS ส่วนใหญ่วางไว้ข้างหน้าเอเจนต์เสียงที่ใช้งานปริมาณมาก ซึ่งระดับการทำงานพร้อมกันแบบคิดตามนาทีอาจแซงอัตราที่คิดตามตัวอักษรได้ และการคิดค่าบริการที่นับรวมช่องว่างและเครื่องหมายวรรคตอนนั้นซื่อตรงแต่ก็ไม่ฟรี: บทพูด 1,000 คำจะกลายเป็นประมาณ 6,000 ตัวอักษรเมื่อนับช่องว่างและเครื่องหมายจุลภาครวมเข้าไปด้วย ดังนั้นราคาที่แท้จริงต่อคำที่พูดออกมาจึงสูงกว่าที่การเปรียบเทียบแบบง่ายกับราคาที่คิดตามคำจะบ่งชี้ AssemblyAI ไม่ได้ปิดบังเรื่องนี้ — หน้าราคาระบุไว้อย่างตรงไปตรงมา — แต่มันเป็นรายละเอียดประเภทที่เปลี่ยนช่องว่างในราคาที่ดูเหมือนห่างกัน 3 เท่าให้เหลือ 2.7 เท่าเมื่อคิดกับบทพูดจริง

ทำไมตัวเลข 47 มิลลิวินาทีจึงมีน้ำหนักมากขนาดนี้

โพสต์เปิดตัวชูความเร็วเป็นจุดเด่น และการทดสอบเบื้องหลังก็ให้ข้อมูลที่เป็นประโยชน์มากกว่าการเปรียบเทียบของผู้จำหน่ายส่วนใหญ่ เพราะระบุชื่อคู่แข่งและวิธีการไว้อย่างชัดเจน เวลามัธยฐานถึงไบต์แรก ไคลเอนต์เดียว คำขอแบบเรียงลำดับ: AssemblyAI-TTS-1 ที่ 47 ms, ElevenLabs Flash v2.5 ที่ 119 ms, Cartesia Sonic 3.6 ที่ 143 ms, Inworld TTS-2 Flash ที่ 244 ms, Inworld TTS-2 ที่ 280 ms, ElevenLabs v4 ที่ 612 ms หากคุณยอมรับการตั้งค่านี้ AssemblyAI ไม่ได้เพียงแค่เร็ว — แต่เร็วถึงไบต์แรกประมาณสามเท่าของ Cartesia Sonic 3.6 ซึ่งเป็นโมเดลที่ใช้เทียบราคาด้วย และเร็วกว่า ElevenLabs Flash v2.5 ถึงสองเท่าครึ่ง

สิ่งที่การตั้งค่านี้บอกคุณไม่ได้คือสิ่งที่เกิดขึ้นภายใต้โหลด ไคลเอนต์เดียวที่ส่งคำขอทีละคำขอจะวัดตัวโมเดล ไม่ใช่วัดตัวบริการ: ไม่มีการเข้าคิว ไม่มีการแย่งกันแบบพร้อมกัน ไม่มีเส้นทาง cold start ไม่มีการข้ามเครือข่ายระหว่างภูมิภาค ตัวเลข 90 ms ในโปรดักชันคือความพยายามของบริษัทเองในการสะท้อนสิ่งนั้น และช่องว่างระหว่าง 47 กับ 90 ms ก็มีขนาดroughlyเท่ากับบทลงโทษในโลกจริงที่การทดสอบในแล็บมองไม่เห็น ใครก็ตามที่เคยรันวอยซ์เอเจนต์ในปริมาณมากจะrecogniseว่านี่คือรูปแบบมาตรฐานของการตลาดด้านความหน่วงของ TTS: ตัวเลขแล็บที่สะอาดสำหรับสไลด์ benchmark ตัวเลขโปรดักชันที่นุ่มนวลกว่าสำหรับการคุยเรื่องราคา และตัวเลขที่สามซึ่งจะปรากฏเฉพาะเมื่อคุณอยู่ในเครือข่ายสาธารณะในภูมิภาคที่ห่างจาก endpoint

ตัวเลขที่สามนั้นมีอยู่จริงในตอนนี้ และมันแย่กว่าเดิมด้วย Cekura ซึ่งเป็นหน่วยงานประเมิน voice agent แบบอิสระ วัดค่ามัธยฐานของ latency ในการสตรีมได้ 159 ms สำหรับ AssemblyAI-TTS-1 จากชุดทดสอบประโยคสไตล์เอเจนต์ของตน — ทำให้มันอยู่อันดับแปดจากสิบเก้าระบบ ไม่ใช่อันดับหนึ่ง Cekura ยังให้คะแนนความแม่นยำในการอ่านที่ 81.5% ซึ่งใกล้เคียงกับ ElevenLabs v4 ที่ 80.4% ขณะที่จัดให้ AssemblyAI เป็นอันดับหนึ่งด้านหมายเลขโทรศัพท์และรหัสที่ 91.7% และอันดับสี่ด้านความเป็นธรรมชาติที่ 4.50 เมื่ออ่านทั้งสองแหล่งร่วมกัน ภาพที่สอดคล้องกันก็ปรากฏขึ้น: AssemblyAI-TTS-1 เริ่มพูดได้เร็วจริง ๆ เก่งผิดปกติกับโทเคนที่ออกเสียงยาก และไม่ใช่ระบบที่เร็วที่สุดบนกระดานเมื่อมีเส้นทางการสตรีมจริงเข้ามาในวงจร

สองเวทีของ Artificial Analysis สองเรื่องราวที่แตกต่างกัน

Artificial Analysis มีบอร์ด TTS สองบอร์ด และทั้งสองวัดสิ่งที่แตกต่างกัน Provider Voice arena ให้แต่ละโมเดลพูดด้วยเสียงเนทีฟของตัวเอง ส่วน Controlled Voice arena บังคับให้ทุกโมเดลใช้เสียงโคลนแปดเสียงเดียวกัน ความแตกต่างนี้คือสิ่งที่มีประโยชน์ที่สุดในการเปิดตัวครั้งนี้ เพราะ AssemblyAI-TTS-1 ทำคะแนนได้ดีกว่าบนบอร์ดแบบ controlled เมื่อเทียบกับแคตตาล็อกของตัวเอง

Provider Voice — 1,227 Elo อันดับ 12 ในการเปิดตัว ได้รับการจัดอันดับ 1,626 ครั้ง สองวันต่อมา กระดานสดแสดง 1,227 ที่อันดับ 14: คะแนนเท่าเดิมแต่อันดับต่ำลง เพราะมีสองโมเดลเข้ามาอยู่เหนือกว่า Elo คือตัวเลขที่มั่นคง ส่วนอันดับคือเป้าหมายที่เคลื่อนที่

• {{1}}Controlled Voice{{/1}} — 1,110 {{2}}Elo{{/2}}, อันดับ 10 ในการเปิดตัว, ลงสนาม 1,674 ครั้ง ตอนนี้{{3}}กระดานคะแนนสด{{/3}}แสดง 1,108 ที่อันดับ 10

• ความทนทานต่อการออกเสียง — 81.7% จากคลิปที่ได้รับการให้คะแนน 2,115 คลิป เป็นอันดับที่ 16 ในบอร์ดนั้น

• ความเร็วในการสร้าง — 162 ตัวอักษรต่อวินาที

โมเดลที่จัดอันดับได้สูงกว่าในกลุ่มเสียงโคลนมากกว่าในคลังเสียง 4,000 เสียงของตัวเอง กำลังบอกอะไรบางอย่างที่เฉพาะเจาะจงกับคุณ: คุณภาพเสียงนั้นอยู่ในระดับที่แข่งขันได้ และการออกแบบเสียงยังไม่ใช่ปัจจัยที่สร้างความแตกต่าง Breeze TTS 2 ผู้นำด้านโอเพนเวตส์ แสดงรูปแบบที่ตรงกันข้ามอย่างชัดเจน — แข็งแกร่งในเสียงของผู้ให้บริการ แต่อ่อนในเสียงที่ถูกควบคุม — และการเปรียบเทียบนั้นคือจุดที่เรื่องนี้น่าสนใจ AssemblyAI ได้สร้างแคตตาล็อกที่กว้าง ราคาถูก และมีความสามารถ แต่ยังไม่ได้สร้างเสียงที่ชนะการทดสอบการฟังแบบปิดบังด้วยคุณสมบัติของตัวเอง

การเลื่อนของอันดับเป็นสิ่งที่ควรสังเกตด้วยเหตุผลในทางปฏิบัติ ทุก aggregator ที่รายงานเกี่ยวกับการเปิดตัวนี้ต่างอ้างอิง “top 12 in Provider Voice” จากโพสต์ประกาศของ Artificial Analysis และเมื่อคุณอ่านข้อความนี้ คะแนนเดียวกันอาจอยู่ที่อันดับ 15 หรือ 16 แล้ว นั่นไม่ใช่เพราะ AssemblyAI มีคุณภาพลดลง แต่เป็นเพราะลีดเดอร์บอร์ดที่คะแนน Elo เพียงไม่กี่คะแนนกินช่วงถึงห้าอันดับ และมีรายการใหม่เข้ามาแทบทุกสัปดาห์ ให้ตัดสินจาก Elo จดวันที่ที่คุณอ่านไว้ และอย่าถือว่าการเลื่อนลงสองอันดับเป็นการถอยหลัง

จุดที่ผลการประเมินผู้ขายดูแข็งแกร่ง และจุดที่ดูไม่แข็งแกร่ง

AssemblyAI เผยแพร่ชุดตัวเลขที่ครบถ้วนกว่าการเปิดตัวระบบ TTS ส่วนใหญ่ โดยทั้งหมดเป็นงานของบริษัทเอง และทดสอบกับเสียงโคลนที่ใช้ร่วมกัน 50 เสียง โดยนำเสียงที่สร้างขึ้นไปถอดความกลับผ่านตัวรู้จำเสียง Universal-3.5 Pro ของบริษัท ระเบียบวิธีวิจัยนั้นสมเหตุสมผล — การส่งเสียงวนกลับผ่านโมเดล ASR ถือเป็นตัวแทนที่สมเหตุสมผลสำหรับความเข้าใจได้ — และยังคงเป็นการทดสอบที่ผู้ให้บริการออกแบบและให้คะแนนเอง

• ความแม่นยำของเอนทิตีบนเป้าหมายยาก (หมายเลขโทรศัพท์, URL, รหัสยืนยัน, ชื่อยา) — 93.7% สำหรับ AssemblyAI-TTS-1, 93.6% สำหรับ ElevenLabs v4, 82.5% สำหรับ Cartesia Sonic 3.6, 68.0% สำหรับ ElevenLabs Flash v2.5 การนำอยู่ 0.1 จุดเหนือ ElevenLabs v4 คือการเสมอที่แต่งตัวเป็นชัยชนะ ส่วนช่องว่าง 11 จุดเหนือ Sonic 3.6 ต่างหากคือข้อค้นพบที่แท้จริง

• ความแม่นยำระดับคำ — 99.0% ซึ่งใกล้ถึงขีดสูงสุดมากพอจนไม่สามารถใช้แยกแยะระหว่างโมเดลที่ดีได้อีกต่อไป

• MOS ที่คาดการณ์ไว้ — 3.85 และตรงนี้ AssemblyAI แพ้: Inworld TTS-2 Flash ได้ 3.88 บนมาตรวัดเดียวกัน โดย Cartesia Sonic 3.6 อยู่ที่ 3.82 และโมเดล ElevenLabs ทั้งสองรุ่นต่ำกว่าทั้งคู่ ตารางของผู้ขายเองไม่ได้จัดให้รุ่นนี้อยู่อันดับหนึ่ง

• TTSDS prosody — 85.5 ซึ่งเป็นตัวเลขที่ในโพสต์ไม่มีค่าฐานอ้างอิงสำหรับเทียบข้ามผู้ให้บริการ

• ความคล้ายคลึงของผู้พูดที่โคลน — 0.64 ซึ่งถือว่าต่ำสำหรับการโคลนแบบทันที และสอดคล้องกับการจัดตำแหน่งใน controlled-arena มากกว่าการจัดตำแหน่งของผู้ให้บริการ

บทสรุปที่ตรงไปตรงมาของตารางนั้นแคบกว่าข้อความโฆษณาเปิดตัว: AssemblyAI-TTS-1 เก่งมากในการทำให้สตริงที่ยากออกมาถูกต้อง แข่งขันได้ในด้านความสามารถในการเข้าใจ อยู่ระดับกลางในด้านความเป็นธรรมชาติ และอ่อนที่สุดในด้านอัตลักษณ์ของเสียงเมื่อคุณโคลนเสียง สำหรับเอเจนต์เสียงที่อ่านเลขบัญชีและรหัสไปรษณีย์ บรรทัดแรกคือบรรทัดที่ให้ผลตอบแทน สำหรับหนังสือเสียงที่บรรยายหรือเสียงตัวละคร สองบรรทัดสุดท้ายคือสิ่งที่สำคัญ และโมเดลนี้ไม่ใช่ตัวเลือกที่ควรเลือก

สิ่งที่มันยังทำไม่ได้ในตอนนี้ และสิ่งที่คุณต้องเสียไปเพราะเรื่องนั้น

ช่องว่างด้านคุณสมบัติเหล่านี้เป็นเรื่องปกติสำหรับการเปิดตัวครั้งแรก และส่งผลกระทบอย่างมากผิดปกติสำหรับผลิตภัณฑ์ประเภทนี้ ไม่มี SSML จึงไม่มีวิธีที่เชื่อถือได้ในการบังคับให้หยุดชั่วคราว เน้นเสียง หรือกำหนดการออกเสียง โดยไม่ต้องเขียนข้อความใหม่ ไม่มีพารามิเตอร์ความเร็ว ซึ่งหมายความว่าจังหวะการพูดต้องถูกจัดการในขั้นต้นทางด้วยการสร้างคำให้มากขึ้นหรือน้อยลง ไม่มีพจนานุกรมการออกเสียงแบบกำหนดเอง แม้ว่าความแม่นยำของเอนทิตีจะเป็นจุดแข็งหลัก — เมื่อโมเดลออกเสียงชื่อแบรนด์ผิด คุณไม่สามารถส่งเล็กซิคอนให้มันได้ ทำได้เพียงสะกดข้อความใหม่แล้วหวังว่าจะออกเสียงถูก แท็กอารมณ์และการโคลนเสียงระดับโปรที่ปรับแต่งละเอียด ต่างก็เป็น “เร็ว ๆ นี้” ตามถ้อยคำของผู้จำหน่ายเอง และหัวข้อ “native emotion” บนหน้าเปิดตัวก็วางอยู่อย่างกระอักกระอ่วนถัดจาก FAQ ที่ระบุว่าไม่มีตัวควบคุมอารมณ์โดยเฉพาะให้ใช้

การครอบคลุมภาษาถือเป็นข้อจำกัดที่แหลมคมกว่า หกภาษาเมื่อเปิดตัว เทียบกับ 44 ภาษาของ Cartesia Sonic 3.6 และอ้างว่ามีถึง 50 สำหรับ Breeze TTS 2 โดยมีข้อแม้ว่า model card ของ Breeze เองระบุไว้เพียงภาษาอังกฤษและภาษาจีนเท่านั้น หากเอเจนต์ของคุณต้องตอบสายผู้เรียกชาวเยอรมันและผู้เรียกชาวโปรตุเกสในสัปดาห์เดียวกัน AssemblyAI รองรับทั้งสองภาษา แต่หากต้องการภาษาโปแลนด์ ญี่ปุ่น หรืออาหรับ ก็ไม่รองรับ และยังไม่มีการระบุวันที่ใด ๆ ออกมา

วิธีที่คุณได้มาจริงๆ

AssemblyAI-TTS-1 ให้บริการผ่าน API ของผู้จำหน่ายเอง — HTTP, WebSocket และ endpoint ที่เข้ากันได้กับ OpenAI — โดยมีโฮสต์ในสหรัฐฯ และสหภาพยุโรปในราคาเดียวกัน พร้อมเครดิตสมัคร $50 และมีจุดเริ่มต้นที่ระบุไว้เป็นแบบจ่ายตามการใช้งานเท่านั้น นอกจากนี้ยังใช้งานได้ผ่านแพลตฟอร์มบุคคลที่สามหลายแห่ง ปัจจุบันยังไม่มีอยู่ในแคตตาล็อกของ OrcaRouter และเราจะไม่แสร้งทำเป็นว่ามี หากคุณต้องการใช้ภายในสัปดาห์นี้ API ของผู้จำหน่ายคือเส้นทางตรง

ส่วนของการเปิดตัวครั้งนี้ที่เรากังวลจริง ๆ คือรูปแบบของการตัดสินใจที่มันสร้างขึ้น voice agent คือไปป์ไลน์สามโมเดล — การรู้จำเสียง โมเดลภาษา และการสังเคราะห์เสียง — และตอนนี้ขา TTS คือขาที่มีช่วงราคากว้างที่สุดและมีผู้เล่นหน้าใหม่มากที่สุด นั่นคือขาที่คุณอยากต่อตัวเลือกที่สองเข้าไว้ก่อนตัดสินใจ เพราะโมเดลใหม่เอี่ยมที่ทดสอบ latency กับลูกค้าเพียงรายเดียวและไม่มีการทดสอบโหลดอิสระ คือนิยามของคอมโพเนนต์ที่ควรอยู่หลัง fallbackการส่งต่อโมเดลกว่า 200 ตัวผ่าน API เดียวโดยบวก markup 0% คือสิ่งที่เราทำ พร้อมส่งผ่านราคาตามรายการของผู้ให้บริการ ดังนั้นการลดราคาจึงมีผลในวันเดียวกัน และมี failover อัตโนมัติ เพื่อให้บ่ายที่แย่ของเจ้าของรายหนึ่งไม่ทำให้ agent ล่ม โมเดล TTS ที่เราส่งต่ออยู่ในตอนนี้คือtts-1 ของ OpenAI, tts-1-hd และ gpt-4o-mini-tts ควบคู่กับ Gemini 3.1 Flash TTS Preview ของ Google — ขาที่สองที่ใช้งานได้ระหว่างที่ AssemblyAI-TTS-1 พิสูจน์ตัวเองภายใต้ทราฟฟิกของคุณแทนที่จะเป็นของตัวเอง

อะไรจะทำให้คำตัดสินเปลี่ยนไป

สามสิ่ง โดยเรียงตามขนาดที่แต่ละสิ่งจะส่งผลต่อการตัดสินใจ อันดับแรก การรันวัดความหน่วงที่เป็นอิสระภายใต้การทำงานพร้อมกันจริง: ตัวเลขสตรีมมิ่ง 159 ms ของ Cekura เป็นการวัดจากภายนอกเพียงครั้งเดียวจนถึงตอนนี้ และเป็นตัวเลขเดียวจากห้องแล็บเดียว ห้องแล็บที่สองที่ทำซ้ำข้อได้เปรียบด้านไบต์แรก 47 ms — หรือล้มเหลวในการทำซ้ำ — จะชี้ขาดว่าคำกล่าวอ้างเรื่องความเร็วยังคงอยู่เมื่อเผชิญกับคิวหรือไม่ อันดับที่สอง พจนานุกรมการออกเสียง ความแม่นยำของเอนทิตีเป็นข้อโต้แย้งที่ดีที่สุดของโมเดล และยังเป็นความสามารถที่มีแนวโน้มที่สุดที่จะถูกทำลายในการใช้งานจริงด้วยชื่อผลิตภัณฑ์ที่โมเดลไม่เคยเห็น การส่งมอบพจนานุกรมเปลี่ยนชัยชนะบนเบนช์มาร์กให้เป็นชัยชนะเชิงปฏิบัติการ อันดับที่สาม ภาษาทั้งหกจะเติบโตตามกำหนดเวลาเดียวกับส่วนที่เหลือของโรดแมปหรือไม่ เพราะข้อได้เปรียบด้านราคาจะเพิ่มพูนก็ต่อเมื่อความครอบคลุมตามทัน

จนกว่าสิ่งเหล่านั้นจะเกิดขึ้น การตีความที่ถูกต้องของการเปิดตัวครั้งนี้ก็แคบแต่มีประโยชน์: AssemblyAI-TTS-1 คือ TTS API ที่น่าเชื่อถือและมีราคาถูกที่สุดในตลาด จากผู้ให้บริการที่มีโครงสร้างพื้นฐานด้านเสียงมานานกว่าทศวรรษ มันเร็วในห้องแล็บ และเร็วพอในการทดสอบภายนอกเพียงครั้งเดียวที่มีอยู่ มันอ่านสตริงที่อ่านยากได้ดีกว่าทุกสิ่งที่มีการนำมาเปรียบเทียบด้วย และมันอยู่กลางตารางในด้านความเป็นธรรมชาติ และอ่อนในด้านอัตลักษณ์ของเสียงโคลน นั่นคือการซื้อที่แข็งแกร่งสำหรับเอเจนต์ปริมาณมากในหกภาษา และเป็นการซื้อที่ premature สำหรับสิ่งใดก็ตามที่ต้องการเสียงที่เป็นเอกลักษณ์