AssemblyAI-TTS-1 so với ElevenLabs Eleven v4: Rẻ hơn 5,3 lần đem lại những gì, và cái giá phải trả là gì

AssemblyAI-TTS-1 có giá 15 đô la mỗi triệu ký tự. ElevenLabs Eleven v4 có giá 80 đô la. Tỷ lệ đó — 5,3 lần — là con số mà mọi tiêu đề về màn so tài này đều dẫn ra, và nó là con số ít hữu ích nhất trong đó, bởi vì mô hình mà bạn thực sự sẽ đưa vào làm nền cho một tổng đài viên AI trên điện thoại không phải là Eleven v4. Mà là Eleven v4 Turbo, ở mức 40 đô la mỗi triệu ký tự, hoặc Flash v2.5, cũng 40 đô la. So với những mô hình đó, mức chiết khấu là 2,7 lần, và so với Flash v2.5 — phiên bản cùng dòng có độ trễ thấp mà ElevenLabs bán đúng cho công việc này — AssemblyAI-TTS-1 không hề đang đấu với một ông lớn kỳ cựu nào cả. Cả hai đều ra mắt trong năm tuần qua. Cả hai đều được xây dựng cho cùng một khách hàng. Một trong hai đang phải trả giá cho một trần chất lượng mà bên kia đã quyết định không cạnh tranh ở đó.

Bảng giá đang làm nhiều việc hơn bảng so sánh hiệu năng.

AssemblyAI-TTS-1 chính thức được phát hành rộng rãi vào ngày 27 tháng 10 năm 2026, với số liệu đánh giá được công bố một ngày sau đó. Bảng giá của nó đồng nhất một cách bất thường: 15 USD cho mỗi triệu ký tự đầu vào, bao gồm cả dấu cách và dấu câu, và mức giá duy nhất đó bao trùm mọi giọng trong thư viện hơn 4.000 giọng, mọi ngôn ngữ ra mắt, nhân bản giọng nói tức thì, mốc thời gian từng từ và xử lý tại Mỹ hoặc EU. Không có phí theo từng giọng, không có bậc đồng thời, không có hợp đồng hàng năm, và nhà cung cấp nói rằng giá mỗi ký tự là như nhau dù bạn chạy mười cuộc gọi đồng thời hay mười nghìn.

Bảng giá của ElevenLabs được chia theo mô hình. Eleven v4, được công bố ngày 28 tháng 9 năm 2026, niêm yết ở mức 0,08 USD mỗi nghìn ký tự — 80 USD mỗi triệu. Eleven v4 Turbo và Flash v2.5 đều niêm yết ở mức 0,04 USD mỗi nghìn, tức 40 USD mỗi triệu. Một chương trình khuyến mãi ra mắt đã giảm giá v4 tới 72% cho đến ngày 12 tháng 10 năm 2026; khoảng thời gian đó đã kết thúc, nên 80 USD giờ là con số bạn thực sự sẽ được tính.

Hãy dịch cả hai sang đơn vị mà một nhóm voice-agent lập ngân sách. Ở tốc độ nói thông thường khoảng 150 từ mỗi phút và khoảng sáu ký tự mỗi từ bao gồm cả dấu cách, một phút lời nói hoàn chỉnh vào khoảng 900 ký tự. Đó là một ước tính, không phải con số từ nhà cung cấp, nhưng đủ sát để thấy được hình dạng của hóa đơn:

Một giờ nói liên tục — khoảng 54.000 ký tự — tốn khoảng 0,81 USD trên AssemblyAI-TTS-1, 4,32 USD trên Eleven v4 và 2,16 USD trên Eleven v4 Turbo.

• Một trăm nghìn cuộc gọi ba phút — 300.000 phút, khoảng 270 triệu ký tự — có chi phí khoảng 4.050 USD trên AssemblyAI-TTS-1, 21.600 USD trên Eleven v4 và 10.800 USD trên Eleven v4 Turbo.

• Chênh lệch giữa AssemblyAI-TTS-1 và Eleven v4 Turbo trên khối lượng công việc đó là 6.750 USD mỗi tháng với cùng lưu lượng cuộc gọi. So với Eleven v4, con số này là 17.550 USD.

Đó mới là quyết định thực sự, và nó là một quyết định nhàm chán: bạn đang chọn xem liệu một mức chênh lệch chất lượng có đáng giá 6.750 đô la một tháng ở mức một trăm nghìn cuộc gọi hay không. Mọi thứ khác trong cuộc so tài này đều xoay quanh việc mức chênh lệch đó thực sự lớn đến mức nào.

65 đô-la mỗi triệu ký tự tăng thêm mua được những gì

Trên bảng nghe mù, nó mang lại một mức chênh lệch đo đạc được. Provider Voice Arena của Artificial Analysis, đọc ngày 30 tháng 10 năm 2026, xếp Eleven v4 Turbo ở vị trí thứ nhất với 1.336 Elo và Eleven v4 ở vị trí thứ hai với 1.334, so với AssemblyAI-TTS-1 ở mức 1.227 tại vị trí thứ mười bốn. Khoảng cách 107 điểm trên thang đo đó không phải là nhiễu — các khoảng tin cậy không chồng lấn. Trên Controlled Voice Arena, nơi giữ bản ghi tham chiếu cố định để phép so sánh nói về độ trung thực của việc nhân bản giọng nói thay vì các giọng có sẵn, AssemblyAI-TTS-1 đứng thứ mười với 1.110.

Phần còn lại của khoảng cách nằm ở danh mục và bề mặt điều khiển, và nó lớn hơn mức chênh lệch Elo gợi ý:

• Ngôn ngữ — AssemblyAI-TTS-1 ra mắt với sáu ngôn ngữ: tiếng Anh, tiếng Tây Ban Nha, tiếng Pháp, tiếng Đức, tiếng Ý và tiếng Bồ Đào Nha, mỗi ngôn ngữ có nhiều giọng điệu khác nhau. Eleven v4 hỗ trợ hơn 90 ngôn ngữ với giọng bản xứ thay vì để một người nói tiếng Anh đọc các từ nước ngoài.

• Thư viện giọng nói — hơn 4.000 trên AssemblyAI-TTS-1 so với hơn 17.500 được quảng cáo cho Eleven v4.

• Nhân bản giọng nói — chỉ nhân bản tức thì trên AssemblyAI-TTS-1, từ một mẫu dài 24 giây mà nhà cung cấp trình diễn. Eleven v4 kết hợp nhân bản tức thì chỉ từ mười giây với Professional Voice Cloning, tính năng đã quay lại trong v4 sau khi vắng mặt ở v3. Các bản sao chuyên nghiệp hiện có có thể cần huấn luyện lại riêng cho v4.

• Điều khiển — AssemblyAI-TTS-1 không hỗ trợ SSML, không có tham số tốc độ, không có từ điển phát âm và không có thẻ cảm xúc. Bài đăng ra mắt của nó nêu rõ rằng dấu câu và các từ ngữ không lưu loát khi viết sẽ được đọc nguyên như đã viết, đồng thời các khoảng dừng được tạo ra bằng cách prompting, không phải bằng markup. Eleven v4 cung cấp các thẻ âm thanh nội tuyến có thể xếp chồng — [laughs], [whispers] — và giới hạn yêu cầu 10.000 ký tự.

• Đầu ra và hạ tầng kết nối — AssemblyAI-TTS-1 truyền trực tiếp qua WebSocket và HTTP, cung cấp endpoint tương thích OpenAI, đi kèm dấu thời gian từng từ, hỗ trợ thông điệp hủy để ngắt lời và phát hành các agent tham chiếu LiveKit và Pipecat. Eleven v4 được bán qua ElevenAPI, ElevenAgents và ElevenCreative dưới các model ID eleven_v4 và eleven_v4_turbo.

Hãy đọc danh sách đó như một lời tuyên bố về sản phẩm chứ không phải một bảng điểm. AssemblyAI xây dựng một endpoint TTS cho đúng một việc — đọc một lượt hội thoại vào đường dây điện thoại nhanh, chính xác và với mức giá cố định — và cố ý bỏ qua các bộ điều khiển kiểu phòng thu. ElevenLabs thì tiếp tục xây dựng một nền tảng giọng nói. Nếu sản phẩm của bạn là lồng tiếng, thuyết minh, hay một giọng nói thương hiệu cần được huấn luyện và quản trị, thì endpoint sáu ngôn ngữ kia không nằm trong số các lựa chọn, bất kể giá cả.

Các số liệu độ trễ chênh lệch nhau gấp ba lần, và cả hai đều trung thực.

Đây là phần của cuộc đối đầu mà hầu hết các bài đưa tin đều hiểu sai, theo cả hai hướng. Bài đăng ra mắt của AssemblyAI dẫn con số 90 ms đến âm thanh đầu tiên trong môi trường production và 47 ms thời gian trung vị đến byte đầu tiên trong thử nghiệm tại phòng thí nghiệm của chính họ, được mô tả là nhanh nhất trong sáu mô hình. Bảng đối đầu trực tiếp do chính họ báo cáo đặt 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 và ElevenLabs v4 ở 612 ms. Tài liệu của chính ElevenLabs khẳng định thời gian trung vị đến giọng nói đầu tiên khoảng 150 ms và độ trễ suy luận trung vị khoảng 100 ms đối với Turbo.

Sau đó Cekura, một công ty kiểm thử độc lập, đã đo AssemblyAI-TTS-1 ở mức độ trễ phát trực tuyến trung vị là 159 ms, đứng thứ tám trong số mười chín mô hình mà công ty này đo, với 171 ms ở mức trung vị khi gửi toàn bộ văn bản và 296 ms ở p90. Đó không phải là sự mâu thuẫn với con số 47 ms của nhà cung cấp. Đó là một chiếc đồng hồ bấm giây khác: AssemblyAI tính từ yêu cầu đến byte đầu tiên, còn Cekura tính từ thời điểm từ cuối cùng được gửi đến thời điểm âm thanh đầu tiên phát ra. Một tác nhân giọng nói đang xử lý một lượt hội thoại quan tâm đến phép đo thứ hai nhiều hơn, vì LLM phải hoàn tất việc tạo câu trước.

Vậy cách lý giải trung thực là: theo chính phương pháp luận của nhà cung cấp, AssemblyAI-TTS-1 là thứ nhanh nhất trong phép so sánh và ElevenLabs v4 là thứ chậm nhất với khoảng cách lớn; trong khi đó, theo một phương pháp luận độc lập mô phỏng tác nhân, AssemblyAI-TTS-1 nằm ở nhóm giữa và cả các tuyên bố của nó lẫn của ElevenLabs đều nên được coi là chưa được kiểm chứng cho đường truyền điện thoại của bạn. Cách so sánh độ trễ duy nhất trụ lại được sau khi xem xét kỹ là so với Flash v2.5, đây là SKU của ElevenLabs tồn tại để thắng cuộc tranh luận này và đã được bên thứ ba đo được trong khoảng 185 đến 197 ms trong môi trường vận hành thực tế. AssemblyAI-TTS-1 ở 159 ms nhanh hơn mức đó, với giá thấp hơn 2,7 lần. Đây là điểm duy nhất trong cuộc đối đầu này mà rẻ hơn và nhanh hơn lại là cùng một câu trả lời.

AssemblyAI-TTS-1 hỏng đầu tiên ở đâu

Không phải ở tốc độ và cũng không phải ở giá. Mà ở phần đuôi dài của những điều mà một người gọi điện thật sự nói.

Kết quả theo từng danh mục của Cekura xếp AssemblyAI-TTS-1 đứng đầu về số điện thoại và mã với 91,7%, đứng thứ tư về độ tự nhiên với 4,50 và đứng thứ hai mươi hai trong số hai mươi bảy về phát âm theo ngữ cảnh với 70,8%. Artificial Analysis tương tự cũng cho nó điểm tổng thể 81,7% về độ ổn định phát âm — đứng thứ mười sáu trong số các mô hình mà đơn vị này chấm điểm — với điểm thành phần yếu nhất ở việc mở rộng từ viết tắt là 73,8%. Bảng xếp hạng của Coval đặt tỷ lệ lỗi từ của nó ở 1,7%, kém người dẫn đầu 0,3 điểm và xếp trên Eleven v4 Turbo và Cartesia Sonic 3.6 ở 1,8% và Deepgram Aura-2 ở 1,9%.

Đặt chúng cạnh nhau và một kiểu lỗi cụ thể sẽ hiện ra: mô hình này đọc to một con số rất tốt, nhưng lại yếu đi rõ rệt khi phải quyết định xem một từ viết tắt, một địa chỉ hay một mã tài khoản nên được đọc như thế nào. Đó chính xác là loại lỗi mà một từ điển phát âm khắc phục được, và AssemblyAI-TTS-1 vẫn chưa cung cấp một từ điển như vậy. Nếu agent của bạn đọc mã đơn hàng, thì bạn đang mua một mô hình mà tính năng tốt nhất của nó bao phủ được việc đó, còn tính năng tệ nhất lại chính là thứ bạn không thể cấu hình để vòng tránh.

Câu trả lời của ElevenLabs cho cùng vấn đề không phải là điểm số tốt hơn, mà là khả năng kiểm soát tinh vi hơn: từ điển, thẻ, tốc độ và một bản sao chuyên nghiệp được huấn luyện trên chính giọng tham chiếu của bạn. Bạn đang trả thêm 65 đô la cho mỗi triệu ký tự để có khả năng tự sửa phần đuôi.

Nửa kia của đặc vụ vẫn đang nằm trên một hóa đơn khác.

Một mô hình TTS không bao giờ hoạt động đơn lẻ trong một voice agent. Nó chạy phía sau một mô hình ngôn ngữ viết ra câu, và trong hầu hết các hệ thống, mô hình ngôn ngữ đó là khoản mục lớn hơn và là khoản có mối quan hệ nhà cung cấp dễ biến động hơn. Đó chính là lớp mà OrcaRouter bao phủ: một API duy nhất cho hơn 200 mô hình với giá niêm yết của nhà cung cấp, không phụ phí 0%, tự động chuyển đổi dự phòng khi một nhà cung cấp gặp sự cố, một DSL định tuyến để kết hợp các mô hình thành một lần gọi duy nhất, và hợp nhất mô hình khi một câu trả lời là chưa đủ tốt.

Hai lưu ý thẳng thắn. Thứ nhất, AssemblyAI-TTS-1 hiện không có trong danh mục của OrcaRouter — các tuyến giọng nói chúng tôi cung cấp là tts-1, tts-1-hd và gpt-4o-mini-tts của OpenAI cùng các bản xem trước Gemini TTS của Google — nên đây không phải là lời chào mời mua mô hình tại đây. Thứ hai, và hữu ích hơn: vì mức markup bằng không và giá niêm yết của nhà cung cấp được chuyển thẳng qua, việc nhà cung cấp giảm giá đối với bất kỳ mô hình TTS nào bạn thực sự định tuyến sẽ xuất hiện trên hóa đơn của bạn ngay trong ngày, đó là cơ chế khiến việc xáo trộn bậc từ $80 xuống $40 ở trên đáng để theo dõi chứ không chỉ đọc qua.

Làm gì vào thứ Hai

Ba câu hỏi sẽ quyết định điều này nhanh hơn bất kỳ thước đo chuẩn nào.

Đại lý của bạn có cần nói một ngôn ngữ nằm ngoài sáu ngôn ngữ mà AssemblyAI-TTS-1 được ra mắt cùng không? Vậy thì cuộc so sánh đã kết thúc, và nó kết thúc ở độ phủ, không phải chất lượng. Hãy chờ danh sách ngôn ngữ được mở rộng hoặc trả tiền cho ElevenLabs.

Agent của bạn có đọc to các mã định danh, mã code hoặc địa chỉ cho khách hàng không? Vậy hãy kiểm thử AssemblyAI-TTS-1 trên chính các chuỗi của bạn trước khi cam kết dùng nó, vì các con số độc lập về cách phát âm là phần yếu nhất trong hồ sơ của nó và cơ chế cấu hình để né vấn đề vẫn chưa tồn tại. Độ chính xác thực thể 93,7% mà nhà cung cấp báo cáo trên bộ 580 mục của chính họ — so với 93,6% của Eleven v4 và 68,0% của Flash v2.5, do nhà cung cấp báo cáo và chưa được tái lập — nói điều ngược lại với điểm số theo ngữ cảnh của Cekura. Một trong hai đang đo khối lượng công việc của bạn và bạn không biết là cái nào.

Giọng nói đó có phải của bạn, được huấn luyện và quản trị không? Vậy thì ElevenLabs, gần như không cần bàn cãi. Nhân bản tức thì từ 24 giây tạo ra một voice ID dùng được; nó không tạo ra một tài sản thương hiệu mà bạn có thể bảo vệ.

Nếu câu trả lời là sáu ngôn ngữ, không, và không — một tác nhân điện thoại ở quy mô lớn đọc các lượt hội thoại thông thường — thì AssemblyAI-TTS-1 ở mức $15 với tính đồng thời không giới hạn và không phí đồng thời là lựa chọn rẻ hơn và, theo phép đo độ trễ độc lập, nhanh hơn, và khoảng cách chất lượng là 107 Elo sở thích mù mà bạn không trả $6,750 mỗi tháng để thu hẹp. Hãy đặt nó phía sau một đường dự phòng chuyển đổi khi lỗi, chạy nó với chính các bản ghi cuộc gọi của bạn trong một tháng, và giữ Flash v2.5 được nối sẵn làm phương án dự phòng cho ngày mà phần đuôi tập dữ liệu của bạn hóa ra đầy từ viết tắt.

Đó chính là toàn bộ cuộc đối đầu. Một nhà cung cấp bán mức trần, nhà kia bán mức sàn, cả hai đều định giá tương ứng, và sai lầm tốn kém duy nhất có thể mắc phải ở đây là mua mức trần cho một khối lượng công việc không bao giờ chạm tới nó.