AssemblyAI-TTS-1 với giá 15 USD một triệu ký tự: mức giá sàn của Voice Agent vừa dịch chuyển

AssemblyAI-TTS-1 đã chính thức được cung cấp rộng rãi vào ngày 27 tháng 10 năm 2026 với giá 15 đô la cho mỗi triệu ký tự đầu vào, và con số quan trọng không phải là con số trên tiêu đề — mà là con số bạn nhận được sau khi chia. Ở tốc độ nói thông thường khoảng 15 ký tự mỗi giây, một triệu ký tự tương đương khoảng 18 giờ âm thanh hoàn chỉnh, đưa mô hình xuống gần 81 xu mỗi giờ nói. Cartesia Sonic 3.6, đơn vị dẫn đầu về tốc độ hiện tại, tính phí 49 đô la mỗi triệu ký tự, tức khoảng 2,70 đô la mỗi giờ. ElevenLabs v4 tính phí 80 đô la, tức khoảng 4,40 đô la mỗi giờ. Đây là mô hình chuyển văn bản thành giọng nói độc lập đầu tiên của AssemblyAI — cho đến tuần này, công ty vẫn là nhà cung cấp dịch vụ chuyển giọng nói thành văn bản — và nó đã bước vào một thị trường nơi đơn vị dẫn đầu tính phí cao gấp ba đến năm lần cho cùng một đơn vị công việc.

Tuyên bố này cần được bổ sung ngay một lưu ý, vì ba bên khác nhau đang cung cấp ba loại số liệu khác nhau ở đây. Mức giá là bảng giá công bố của chính AssemblyAI và có thể kiểm chứng trên trang giá của họ. Con số độ trễ đến từ một bài kiểm tra trong phòng thí nghiệm do AssemblyAI thực hiện với năm nhà cung cấp đối thủ, trên 30 lời nhắc, ba vòng, bốn giọng có sẵn cho mỗi mô hình, mỗi lần một yêu cầu. Vị trí trên bảng xếp hạng là của Artificial Analysis, được đo độc lập. Ở những chỗ bài viết này trích dẫn các đánh giá chất lượng của chính AssemblyAI — độ chính xác thực thể, MOS dự đoán, ngữ điệu, độ tương đồng khi nhân bản giọng — thì đó là do nhà cung cấp tự báo cáo và chưa ai bên ngoài AssemblyAI tái lập được. Phép đo độ trễ độc lập thực sự duy nhất hiện có cho đến nay lại cho thấy một bức tranh kém lung linh hơn so với tiếp thị, và đáng để mở đầu bằng điểm này.

Bảng thông số kỹ thuật gói gọn trong một màn hình

• Giá — 15 USD mỗi triệu ký tự đầu vào, tính phí trên văn bản bao gồm cả dấu cách và dấu câu, đã bao gồm toàn bộ giọng đọc trong thư viện và mọi ngôn ngữ, không có phí theo từng giọng đọc hay phí đồng thời

• Giọng nói — hơn 4.000 giọng trong thư viện, cùng khả năng nhân bản tức thì từ một mẫu tham chiếu ngắn (bản demo đã dùng 24 giây âm thanh)

• Ngôn ngữ — Tiếng Anh, tiếng Tây Ban Nha, tiếng Pháp, tiếng Đức, tiếng Ý, tiếng Bồ Đào Nha khi ra mắt, nhiều giọng khác nhau, không nêu ngày cho đợt tiếp theo

• Độ trễ — 90 ms thời gian đến âm thanh đầu tiên được công bố cho môi trường sản xuất, được công ty mô tả là con số thận trọng; 47 ms thời gian trung vị đến byte đầu tiên trong so sánh tại phòng thí nghiệm của chính công ty

• Thông lượng — 162 ký tự mỗi giây trên Artificial Analysis, vượt Cartesia Sonic 3.6 ở mức 148,6

• Giao diện — HTTP, WebSocket với thông điệp hủy để ngắt lời (barge-in), và một tuyến tương thích OpenAI; các agent tham chiếu LiveKit và Pipecat được cung cấp kèm theo

• Đầu ra — PCM, mu-law và A-law ở 8 đến 48 kHz, 24 kHz gốc, dấu thời gian theo từng từ được trả về cùng với âm thanh

• Vị trí lưu trú dữ liệu và giới hạn — xử lý tại Mỹ hoặc EU với cùng mức giá, không giới hạn xử lý đồng thời trên gói trả theo mức sử dụng, không cần hợp đồng hàng năm hoặc mua theo bậc.

• Chưa — không có SSML, không có tham số tốc độ, không có từ điển phát âm, không có thẻ cảm xúc, không có tính năng nhân bản “pro” được tinh chỉnh

Hai trong số những dòng đó đang đóng vai trò thương mại nhiều hơn phần còn lại. Khả năng đồng thời không giới hạn ở mức giá niêm yết loại bỏ việc thương lượng mà hầu hết nhà cung cấp TTS đặt ra trước các tác nhân giọng nói khối lượng lớn, nơi các bậc đồng thời tính theo phút có thể vượt xa mức giá theo ký tự. Và việc tính phí có tính cả dấu cách và dấu câu là trung thực nhưng không miễn phí: một kịch bản 1.000 từ có độ dài khoảng 6.000 ký tự khi đã tính cả dấu cách và dấu phẩy, nên giá thực tế trên mỗi từ được nói cao hơn so với gợi ý từ một so sánh đơn giản với cách tính giá theo từ. AssemblyAI không giấu điều đó — trang giá nói thẳng ra — nhưng đây là kiểu chi tiết biến khoảng cách 3x trên tiêu đề thành 2.7x trên một kịch bản thực tế.

Tại sao con số 47 ms lại có sức nặng đến thế

Bài viết ra mắt dẫn đầu bằng tốc độ, và bài kiểm tra nền tảng cung cấp nhiều thông tin hơn hầu hết các so sánh giữa các nhà cung cấp vì nó nêu tên đối thủ cạnh tranh và phương pháp của mình. Thời gian trung vị đến byte đầu tiên, một máy khách, các yêu cầu tuần tự: AssemblyAI-TTS-1 ở 47 ms, ElevenLabs Flash v2.5 ở 119 ms, Cartesia Sonic 3.6 ở 143 ms, Inworld TTS-2 Flash ở 244 ms, Inworld TTS-2 ở 280 ms, ElevenLabs v4 ở 612 ms. Nếu chấp nhận thiết lập đó, AssemblyAI không chỉ nhanh — mà còn nhanh gấp khoảng ba lần về thời gian đến byte đầu tiên so với Cartesia Sonic 3.6, mô hình mà nó nhắm định giá để cạnh tranh, và nhanh gấp hai lần rưỡi so với ElevenLabs Flash v2.5.

Điều mà thiết lập không thể cho bạn biết là chuyện gì xảy ra dưới tải. Một client duy nhất gửi từng yêu cầu một sẽ đo mô hình, chứ không đo dịch vụ: không có xếp hàng, không có tranh chấp đồng thời, không có đường khởi động nguội, không có chặng mạng xuyên vùng. Con số 90 ms trên production là nỗ lực của chính công ty nhằm tính đến điều đó, và khoảng cách giữa 47 và 90 ms xấp xỉ mức phạt thực tế mà bài kiểm tra trong phòng thí nghiệm không thể thấy. Bất kỳ ai từng vận hành một voice agent ở quy mô lớn sẽ nhận ra đây là dạng thức quen thuộc của cách tiếp thị độ trễ TTS: một con số phòng thí nghiệm sạch sẽ cho slide benchmark, một con số production mềm hơn cho cuộc trao đổi về giá, và con số thứ ba chỉ xuất hiện khi bạn đang ở trên một mạng công cộng tại vùng cách xa endpoint.

Con số thứ ba đó hiện đã tồn tại, và nó còn tệ hơn. Cekura, một đơn vị đánh giá voice-agent độc lập, đã đo được độ trễ streaming trung vị là 159 ms cho AssemblyAI-TTS-1 trên bộ kiểm thử gồm các câu theo phong cách agent của mình — xếp nó thứ tám trong số mười chín hệ thống chứ không phải thứ nhất. Cekura cũng chấm độ chính xác đọc là 81,5%, về cơ bản ngang bằng với ElevenLabs v4 ở 80,4%, đồng thời xếp AssemblyAI hạng nhất về số điện thoại và mã ở 91,7% và hạng tư về độ tự nhiên ở 4,50. Đọc cả hai nguồn cùng nhau và một bức tranh mạch lạc hiện ra: AssemblyAI-TTS-1 thực sự bắt đầu nói nhanh, đặc biệt giỏi với các token khó phát âm, và không phải thứ nhanh nhất trên bảng một khi có một đường streaming thực sự được đưa vào vòng lặp.

Hai đấu trường Artificial Analysis, hai câu chuyện khác nhau

Artificial Analysis vận hành hai bảng xếp hạng TTS và chúng đo những thứ khác nhau. Arena Giọng nói của Nhà cung cấp cho mỗi mô hình nói bằng chính các giọng gốc của nó; arena Giọng nói Kiểm soát buộc mọi mô hình phải dùng chung tám giọng đã sao chép. Sự phân biệt đó là điều hữu ích nhất trong lần ra mắt này, vì AssemblyAI-TTS-1 đạt điểm cao hơn trên bảng kiểm soát so với trên danh mục giọng của chính nó.

• Provider Voice — 1.227 Elo, hạng 12 khi ra mắt, 1.626 lần xuất hiện được đánh giá. Hai ngày sau, bảng trực tiếp hiển thị 1.227 ở vị trí thứ 14: cùng điểm số, thứ hạng thấp hơn, vì hai mô hình đã chen vào phía trên nó. Elo là con số ổn định; thứ hạng là một mục tiêu luôn dịch chuyển.

• Controlled Voice — 1,110 Elo, thứ 10 khi ra mắt, 1,674 lần xuất hiện. Bảng trực tiếp hiện hiển thị 1,108 ở vị trí thứ 10.

• Độ ổn định về phát âm — 81,7% trên 2.115 clip được đánh giá, đứng thứ 16 trên bảng đó.

• Tốc độ tạo — 162 ký tự mỗi giây.

Một mô hình xếp hạng cao hơn trong số các giọng nhân bản so với trong thư viện 4.000 giọng của chính nó đang cho bạn biết một điều cụ thể: chất lượng âm học có tính cạnh tranh, và thiết kế giọng nói vẫn chưa phải là yếu tố tạo khác biệt. Breeze TTS 2, mô hình dẫn đầu về trọng số mở, cho thấy mô hình ngược lại hoàn toàn — mạnh ở các giọng của nhà cung cấp, yếu ở các giọng được kiểm soát — và chính sự so sánh đó là chỗ câu chuyện trở nên thú vị. AssemblyAI đã xây dựng một danh mục rộng, rẻ và đủ năng lực; nhưng nó vẫn chưa tạo ra những giọng có thể thắng các bài kiểm tra nghe mù bằng chính ưu điểm của chúng.

Sự dịch chuyển thứ hạng đáng được lưu ý vì một lý do thực tế. Mọi trang tổng hợp đưa tin về lần ra mắt này đều trích dẫn "top 12 trong Provider Voice" từ bài đăng thông báo của Artificial Analysis, và vào lúc bạn đọc những dòng này, điểm số tương tự có thể đã nằm ở vị trí thứ 15 hoặc 16. Đó không phải là AssemblyAI đang đánh mất chất lượng. Đó là một bảng xếp hạng nơi chỉ vài điểm Elo đã trải dài qua năm vị trí, và nơi những mục mới xuất hiện gần như mỗi tuần. Hãy đánh giá dựa trên điểm Elo, ghi lại ngày bạn đọc nó, và đừng coi việc tụt hai bậc là một sự thoái lui.

Những điểm đánh giá của nhà cung cấp có vẻ mạnh, và những điểm không mạnh.

AssemblyAI đã công bố một bộ số liệu đầy đủ hơn so với hầu hết các đợt ra mắt TTS, tất cả đều do chính họ thực hiện, tất cả đều được kiểm thử trên 50 giọng nói nhân bản dùng chung, với âm thanh được tạo ra được phiên âm lại thông qua bộ nhận dạng Universal-3.5 Pro của họ. Phương pháp luận là hợp lý — chuyển âm thanh vòng qua một mô hình ASR là một đại diện hợp lý cho khả năng dễ hiểu — và đây vẫn là một bài kiểm tra do nhà cung cấp thiết kế và chấm điểm.

• Độ chính xác nhận diện thực thể trên các mục tiêu khó (số điện thoại, URL, mã xác nhận, tên thuốc) — 93,7% đối với AssemblyAI-TTS-1, 93,6% đối với ElevenLabs v4, 82,5% đối với Cartesia Sonic 3.6, 68,0% đối với ElevenLabs Flash v2.5. Hơn ElevenLabs v4 một phần mười điểm chỉ là một trận hòa khoác áo chiến thắng; khoảng cách 11 điểm so với Sonic 3.6 mới là phát hiện thực sự.

• Độ chính xác từ — 99,0%, đủ gần với mức trần đến mức không còn phân biệt được giữa các mô hình tốt.

• MOS dự đoán — 3.85, và ở đây AssemblyAI thua: Inworld TTS-2 Flash đạt 3.88 trên cùng thang điểm, với Cartesia Sonic 3.6 ở mức 3.82 và cả hai mô hình ElevenLabs đều thấp hơn chúng. Bảng của chính nhà cung cấp không xếp nó ở vị trí đầu.

• Ngữ điệu TTSDS — 85,5, một con số không có đường cơ sở so sánh giữa các nhà cung cấp trong bài đăng.

• Độ tương đồng giọng nói của bản sao — 0,64, mức thấp đối với nhân bản tức thời và nhất quán với vị trí trong đấu trường có kiểm soát thay vì vị trí của nhà cung cấp.

Bản tóm tắt trung thực về bảng đó hẹp hơn so với nội dung quảng bá khi ra mắt: AssemblyAI-TTS-1 xuất sắc trong việc xử lý đúng những chuỗi khó, cạnh tranh về độ dễ hiểu, ở mức trung bình về độ tự nhiên, và yếu nhất về bản sắc giọng nói khi bạn nhân bản giọng. Đối với một tác nhân giọng nói đọc số tài khoản và mã bưu chính, dòng đầu tiên chính là dòng mang lại giá trị. Đối với một cuốn sách nói được thuật lại hoặc một giọng nhân vật, hai dòng cuối mới là điều quan trọng, và mô hình này không phải là lựa chọn phù hợp.

Những gì nó chưa thể làm được, và cái giá bạn phải trả

Các lỗ hổng tính năng là chuyện bình thường đối với một bản phát hành đầu tiên, nhưng lại có hệ quả lớn bất thường trong hạng mục này. Không có SSML, nên không có cách đáng tin cậy nào để buộc tạo khoảng dừng, nhấn mạnh hoặc phát âm mà không viết lại văn bản. Không có tham số tốc độ, nghĩa là nhịp độ phải được xử lý ở khâu trước bằng cách tạo nhiều hoặc ít từ hơn. Không có từ điển phát âm tùy chỉnh, dù độ chính xác thực thể là điểm mạnh nổi bật — khi mô hình phát âm sai tên thương hiệu, bạn không thể cung cấp cho nó một từ điển, bạn chỉ có thể đánh vần lại văn bản và hy vọng. Các thẻ cảm xúc và tính năng nhân bản chuyên nghiệp được tinh chỉnh đều là "sắp ra mắt" theo chính lời của nhà cung cấp, và tiêu đề "cảm xúc gốc" trên trang ra mắt nằm một cách gượng gạo bên cạnh một FAQ nói rằng các điều khiển cảm xúc chuyên dụng là không khả dụng.

Độ bao phủ ngôn ngữ là giới hạn rõ rệt hơn. Sáu ngôn ngữ khi ra mắt, so với 44 của Cartesia Sonic 3.6 và con số được công bố là 50 của Breeze TTS 2 — kèm lưu ý rằng thẻ mô hình của chính Breeze chỉ gắn nhãn tiếng Anh và tiếng Trung. Nếu agent của bạn cần trả lời một người gọi tiếng Đức và một người gọi tiếng Bồ Đào Nha trong cùng một tuần, AssemblyAI đáp ứng được cả hai. Nếu nó cần tiếng Ba Lan, tiếng Nhật hoặc tiếng Ả Rập thì không, và chưa có ngày nào được nêu.

Cách bạn thực sự có được nó

AssemblyAI-TTS-1 được cung cấp qua API riêng của nhà cung cấp — HTTP, WebSocket và một endpoint tương thích OpenAI — với máy chủ US và EU cùng mức giá, cộng thêm $50 tín dụng đăng ký và điểm khởi đầu được niêm yết là chỉ trả tiền theo mức sử dụng. Ngoài ra, nó có sẵn thông qua một số nền tảng bên thứ ba. Hiện nó không có trong danh mục OrcaRouter, và chúng tôi sẽ không giả vờ là có; nếu bạn muốn có nó trong tuần này, API của nhà cung cấp là con đường trực tiếp.

Phần của đợt ra mắt này thực sự khiến chúng tôi quan tâm là hình dạng quyết định mà nó tạo ra. Một voice agent là pipeline gồm ba mô hình — nhận dạng giọng nói, mô hình ngôn ngữ, tổng hợp giọng nói — và nhánh TTS hiện là nhánh có mức chênh lệch giá lớn nhất cùng những đối thủ mới nhất. Đó chính xác là nhánh mà bạn muốn có sẵn một lựa chọn thứ hai được đấu nối vào trước khi cam kết, vì một mô hình hoàn toàn mới chỉ có bài kiểm tra độ trễ với một khách hàng duy nhất và không có kiểm thử tải độc lập chính là định nghĩa của một thành phần nên nằm sau cơ chế dự phòng. Định tuyến hơn 200 mô hình qua một API với mức markup 0% là việc chúng tôi làm, với giá niêm yết của nhà cung cấp được chuyển nguyên qua để một đợt giảm giá có hiệu lực ngay trong ngày và cơ chế chuyển đổi dự phòng tự động để một buổi chiều tồi tệ ở một nhà cung cấp không làm agent sập. Các mô hình TTS chúng tôi định tuyến hiện nay là tts-1 của OpenAI, tts-1-hd và gpt-4o-mini-tts cùng với Gemini 3.1 Flash TTS Preview của Google — một nhánh thứ hai khả thi trong khi AssemblyAI-TTS-1 tự chứng minh dưới lưu lượng của bạn thay vì lưu lượng của chính nó.

Điều gì sẽ làm thay đổi phán quyết

Ba điều, theo thứ tự về mức độ chúng sẽ tác động đến quyết định. Thứ nhất, một lượt chạy đo độ trễ độc lập dưới độ tương tranh thực: {{1}}con số streaming 159 ms của Cekura{{/1}} là phép đo bên ngoài duy nhất cho đến nay, và đó chỉ là một con số từ một phòng lab duy nhất. Một phòng lab thứ hai tái lập {{2}}lợi thế 47 ms ở byte đầu tiên{{/2}} — hoặc không tái lập được — sẽ phân định xem tuyên bố về tốc độ có còn đứng vững khi tiếp xúc với một hàng đợi hay không. Thứ hai, từ điển phát âm. Độ chính xác thực thể là lập luận mạnh nhất của mô hình, và đây cũng là năng lực dễ bị vô hiệu hóa nhất trong sản xuất bởi một tên sản phẩm mà mô hình chưa từng thấy. Việc phát hành từ điển biến một chiến thắng trên benchmark thành một chiến thắng vận hành. Thứ ba, liệu sáu ngôn ngữ có tăng trưởng theo cùng lịch trình với phần còn lại của lộ trình hay không, bởi lợi thế về giá chỉ cộng dồn nếu độ phủ theo kịp.

Cho đến khi những điều đó thành hiện thực, cách hiểu đúng đắn về đợt ra mắt này là hẹp và hữu ích: AssemblyAI-TTS-1 là API TTS đáng tin cậy rẻ nhất trên thị trường từ một nhà cung cấp có mười năm hạ tầng giọng nói phía sau, nó nhanh trong phòng thí nghiệm và đủ nhanh trong bài kiểm tra bên ngoài duy nhất hiện có, nó đọc các chuỗi khó tốt hơn bất cứ thứ gì nó được so sánh cùng, và nó ở mức trung bình về độ tự nhiên và yếu về bản sắc giọng nói được sao chép. Đó là một lựa chọn mua mạnh cho các tác nhân khối lượng lớn bằng sáu ngôn ngữ, và là một lựa chọn mua quá sớm cho bất cứ thứ gì cần một giọng nói đặc trưng.