AssemblyAI-TTS-1 每百万字符 15 美元：语音智能体的价格底线刚刚下移

AssemblyAI-TTS-1于2026年10月27日正式可用，价格为每百万输入字符15美元，而真正重要的数字并不是标题里的那个——而是相除之后得到的那个。按正常语速约每秒15个字符计算，一百万字符大约相当于18小时的成品音频，这使该模型接近每小时语音81美分。作为速度领先者的现有产品，Cartesia Sonic 3.6收费为每百万字符49美元，约合每小时2.70美元。ElevenLabs v4收费为80美元，约合每小时4.40美元。这是AssemblyAI首个独立的文本转语音模型——该公司直到本周之前一直是语音转文本供应商——而它踏入的这个市场里，领先者为同样的单位工作量收取三到五倍的费用。

这个说法需要立刻加一个限定条件，因为这里有三方在提供三种不同性质的数字。价格来自 AssemblyAI 自己公布的价目表，可以在其定价页面上查证。延迟数据来自 AssemblyAI 针对五家竞争对手提供商所做的一次实验室测试：30 条提示词、三轮、每个模型四个预置音色、一次一个请求。榜单排名则来自 Artificial Analysis，由其独立测量。本文引用 AssemblyAI 自身质量评估之处——实体准确率、预测 MOS、韵律、克隆相似度——这些均为厂商自报，AssemblyAI 之外无人复现过。目前唯一真正可得的独立延迟测量，其指向的结论不如宣传说辞那般光鲜，值得放在开头来讲。

一屏尽览规格表

• 价格——每百万输入字符 15 美元，按包含空格和标点的文本计费，涵盖所有内置语音和所有语言，不收取按语音或并发费用

• 语音 — 库中超过 4,000 种，并可从简短参考样本即时克隆（演示使用了 24 秒音频）

• 语言——首发时提供英语、西班牙语、法语、德语、意大利语、葡萄牙语，多种口音，下一批未给出日期

• 延迟 — 生产环境中给出的首音频时间为 90 毫秒，公司称这一数据偏保守；在其自有实验室对比中，首字节中位时间为 47 毫秒

• 吞吐量——在 Artificial Analysis 上每秒处理 162 个字符，领先于每秒 148.6 个字符的 Cartesia Sonic 3.6

• 接口 — HTTP、带打断取消消息的 WebSocket，以及一条 OpenAI 兼容路由；LiveKit 和 Pipecat 参考智能体随附提供

• 输出 — PCM、mu-law 和 A-law，8 至 48 kHz，原生 24 kHz，随音频返回词级时间戳

• 驻留与限制 — 美国或欧盟处理价格相同，按量付费下并发不设上限，无需签订年度合同或购买层级

目前还不支持——没有 SSML、没有语速参数、没有发音词典、没有情感标签，也没有经过微调的“pro”克隆

其中两行承担的商业作用比其他几行更大。按标价提供无限并发，免去了大多数 TTS 供应商在面对高并发语音代理时设置的议价环节；在这些场景中，按分钟计的并发档位可能会比按字符计费的成本更高。而将空格和标点也计入的计费方式虽然诚实，却并非没有代价：一份 1,000 词的脚本在算上空格和逗号后大约有 6,000 个字符，因此每个口语词的实际价格，会比简单按每词价格对比所显示的要高。AssemblyAI 并没有隐瞒这一点——定价页面写得很明白——但正是这类细节，会让宣传口径上的 3 倍差距在真实脚本上变成 2.7 倍。

为什么 47 毫秒这个数字被看得如此之重

这篇发布文章以速度开场，而其背后的测试比大多数厂商对比更具信息量，因为它列出了竞争对手和测试方法。首字节时间中位数，单客户端、顺序请求：AssemblyAI-TTS-1 为 47 毫秒，ElevenLabs Flash v2.5 为 119 毫秒，Cartesia Sonic 3.6 为 143 毫秒，Inworld TTS-2 Flash 为 244 毫秒，Inworld TTS-2 为 280 毫秒，ElevenLabs v4 为 612 毫秒。如果你认可这一测试设置，那么 AssemblyAI 不只是快——它的首字节速度约为 Cartesia Sonic 3.6（它定价所对标的模型）的 3 倍，并且约为 ElevenLabs Flash v2.5 的 2.5 倍。

这套测试设置无法告诉你的是，在负载之下会发生什么。单个客户端一次只发一个请求，测的是模型，而不是服务：没有排队，没有并发争用，没有冷启动路径，也没有跨区域的网络跳转。90 毫秒的生产环境数字是公司自己试图把这一点算进去的结果，而 47 毫秒与 90 毫秒之间的差距，大致就是实验室测试看不到的现实世界惩罚的规模。任何大规模运行过语音代理的人都会认出，这是 TTS 延迟营销的标准形态：一个干净的实验室数字用于基准测试幻灯片，一个更温和的生产数字用于定价沟通，还有第三个数字，只有当你处在公共网络上、且所在区域远离端点时才会出现。

第三个数字现在确实存在，而且更糟。独立语音智能体评估机构 Cekura 在其智能体风格句子测试集上测得 AssemblyAI-TTS-1 的流式延迟中位数为 159 毫秒——在 19 个系统中排名第八，而非第一。Cekura 还给出其朗读准确率为 81.5%，与 ElevenLabs v4 的 80.4% 基本持平；同时将 AssemblyAI 在电话号码和代码方面的表现评为第一，准确率 91.7%，自然度则以 4.50 排名第四。把这两个来源放在一起看，就会形成一个连贯的判断：AssemblyAI-TTS-1 确实能很快开始发声，在难发音的词元上表现异常出色，但一旦接入真实的流式路径，它就不是榜单上最快的那个了。

Artificial Analysis 的两个竞技场，两个截然不同的故事

Artificial Analysis 运营着两个 TTS 榜单，它们衡量的内容并不相同。Provider Voice arena 让每个模型使用自身原生的音色来发声；Controlled Voice arena 则强制每个模型都使用相同的八个克隆音色。这一区别是本次发布中最有价值的部分，因为 AssemblyAI-TTS-1 在受控榜单上的得分高于它在自身语音库中的得分。

• Provider Voice — Elo 1,227，初次登场时排名第 12，已评级的出场次数为 1,626。两天后，实时榜单显示为 1,227 分、第 14 位：分数相同，排名更低，因为有两个模型以更高分进入。Elo 是稳定的数值；排名则是不断变化的目标。

• Controlled Voice — 1,110 Elo，首次登场排名第10，出场1,674次。实时榜单现在显示为1,108，排名第10。

• 发音稳健性 — 在 2,115 个已评分片段中达到 81.7%，在该榜单上排名第 16。

• 生成速度 — 每秒 162 个字符。

一个模型在克隆语音中的排名高于其在自有的 4,000 个语音库中的排名，这具体说明了：声学表现具有竞争力，而语音设计尚未成为差异化因素。开放权重领域的领先者 Breeze TTS 2 呈现出完全相反的模式——在供应商语音上表现强，在受控语音上表现弱——而正是这种对比让此事变得有趣。AssemblyAI 构建了一个广泛、廉价且能力合格的语音目录；但它尚未打造出能凭自身优势在盲听测试中胜出的语音。

排名漂移值得注意，这是有实际原因的。所有报道此次发布的聚合平台都在引用 Artificial Analysis 公告帖中的“Provider Voice 前 12 名”，而等你读到本文时，同一分数可能已排到第 15 或第 16。这并不是 AssemblyAI 质量下降。这是一个排行榜，几分 Elo 就能跨越五个名次，而且大多数周都有新条目加入。要依据 Elo 判断，记下你查看它的日期，不要把下滑两个名次当作退步。

供应商评估在哪些方面看起来强劲，在哪些方面则不然

AssemblyAI 公布的数值比大多数 TTS 发布都要全面，且全部出自其自身工作，均基于 50 个共享克隆音色进行测试，并将生成的音频通过其 Universal-3.5 Pro 识别器转写回文本。这种方法论是合理的——让音频经过 ASR 模型往返转写，是衡量可懂度的合理替代指标——但这仍然是由厂商自行设计并评分的测试。

• 在困难目标（电话号码、URL、确认码、药品名称）上的实体准确率——AssemblyAI-TTS-1 为 93.7%，ElevenLabs v4 为 93.6%，Cartesia Sonic 3.6 为 82.5%，ElevenLabs Flash v2.5 为 68.0%。比 ElevenLabs v4 高出十分之一个百分点，不过是披着胜利外衣的平局；而对 Sonic 3.6 的 11 个百分点差距才是真正的发现。

• 单词准确率——99.0%，这一数值已足够接近上限，因而不再能区分优秀模型之间的优劣。

• 预测 MOS — 3.85，而在这里 AssemblyAI 落败：Inworld TTS-2 Flash 在同一量表上得分 3.88，Cartesia Sonic 3.6 为 3.82，两个 ElevenLabs 模型都低于它们。厂商自己的表格并未将其排在首位。

TTSDS 韵律 — 85.5，这一数字在文中没有跨厂商基线。

• 克隆说话人相似度 — 0.64，对于即时克隆来说偏低，并且与受控竞技场的排名相符，而不是提供商侧的排名。

对那张表最诚实的总结，比发布文案所呈现的范围更窄：AssemblyAI-TTS-1 非常擅长正确处理困难字符串，在可懂度上具有竞争力，在自然度上处于中游，而在克隆时的声音身份上最弱。对于要朗读账号和邮政编码的语音代理来说，第一行才是真正有价值的那一行。对于有声书旁白或角色语音来说，最后两行才是关键，而这个模型并不是合适之选。

它目前还做不到什么，以及这会让你付出什么代价

对于首个版本而言，这些功能缺失很常见，但对这一类别来说却影响异常重大。没有 SSML，因此如果不重写文本，就无法可靠地强制停顿、强调或发音。没有语速参数，这意味着节奏只能通过在上游生成更多或更少的词来处理。没有自定义发音词典，尽管实体准确性是其主打优势——当模型确实读错某个品牌名称时，你无法给它提供词典，只能改写文本拼写并指望它读对。情感标签和精细调校的专业音色克隆，用供应商自己的话说，都“即将推出”，而发布页面上的“原生情感”标题，却与一条称专用情感控制不可用的 FAQ 尴尬地并列在一起。

语言覆盖是更明显的短板。发布时支持六种语言，而 Cartesia Sonic 3.6 支持 44 种，Breeze TTS 2 宣称支持 50 种——但需注意，Breeze 自己的模型卡仅标注英语和中文。如果你的智能体需要在同一周内应答德语来电者和葡萄牙语来电者，AssemblyAI 两者都覆盖。如果它需要波兰语、日语或阿拉伯语，则不支持，而且没有给出日期。

你实际上如何获得它

AssemblyAI-TTS-1 由供应商自己的 API 提供——包括 HTTP、WebSocket 以及一个兼容 OpenAI 的端点——美国和欧盟主机价格相同，另外还提供 50 美元的注册赠金，并明确列出其起步方案仅为按量付费。除此之外，它还可以通过若干第三方平台使用。它目前并不在 OrcaRouter 的目录中，我们也不会假装它在；如果你想本周就用上它，供应商的 API 是最直接的途径。

这次发布中真正让我们在意的部分，是它所形成的决策格局。语音智能体是一条三模型流水线——语音识别、语言模型、语音合成——而 TTS 这一环如今价格跨度最大、新进入者最多。这正是你在正式采用之前就该接入第二种选项的一环，因为一个全新模型如果只做过单一客户端延迟测试、没有独立的负载测试，那它恰恰就是应该放在回退方案之后的组件。通过一个 API 路由 200 多个模型并以 0% 加价，这是我们的做法：供应商标价直接透传，因此降价当天就能生效；同时配有自动故障转移，这样某家供应商一时出问题也不会让智能体宕机。我们今天路由的 TTS 模型包括 OpenAI 的 tts-1、tts-1-hd 和 gpt-4o-mini-tts，以及 Google 的 Gemini 3.1 Flash TTS Preview——在 AssemblyAI-TTS-1 通过你的实际流量而非它自己的测试证明自身之前，这是一个可用的第二环节。

什么会改变判决？

有三件事，按它们对决策的影响程度大小排序。第一，在真实并发条件下进行独立延迟测试：Cekura 的 159 毫秒流式数值是目前唯一的外部测量结果，而且它只是来自单一实验室的一个数字。第二家实验室若能复现 47 毫秒的首字节优势——或者无法复现——就能确定这一速度主张在排队压力下是否依然成立。第二，发音词典。实体准确率是模型最有力的论据，但它也是最容易在生产环境中被模型从未见过的产品名抵消的能力。交付词典能把基准测试上的胜利转化为运营上的胜利。第三，这六种语言是否与路线图其余部分按同样的时间表扩展，因为只有覆盖范围跟上，价格优势才会持续放大。

在那些能力落地之前，对本次发布的正确解读应当是具体而务实的：AssemblyAI-TTS-1 是市场上最便宜且可信的 TTS API，背后厂商拥有十年语音基础设施经验；它在实验室里很快，在目前唯一的外部测试中也足够快；在难读字符串上的表现优于所有对比对象；自然度处于中游，克隆身份感则较弱。对于六种语言的高用量智能体来说，这是强有力的购买选择；但对于任何需要独特声音的应用来说，现在出手还为时过早。