AssemblyAI-TTS-1 与 ElevenLabs Eleven v4：便宜 5.3 倍能换来什么，又要付出什么代价

AssemblyAI-TTS-1的价格是每百万字符 15 美元。ElevenLabs Eleven v4的价格则是 80 美元。5.3 倍这个比值，是每一篇关于这场对决的报道标题都会率先抛出的数字，却也是其中最没用的数字——因为你真正会部署在电话智能体背后的模型并不是 Eleven v4，而是每百万字符 40 美元的 Eleven v4 Turbo，或者同样 40 美元的 Flash v2.5。与这两者相比，价格优势只有 2.7 倍；而与 Flash v2.5——ElevenLabs 专为这类工作量身打造的低延迟版本——相比，AssemblyAI-TTS-1 根本不是在跟一个老牌在位者较量。两者都是在过去五周内发布的，都是为同一类客户而打造的。其中一方正在为一个质量上限买单，而另一方已经决定不在这个上限上竞争。

价格表比基准表承担了更多作用

AssemblyAI-TTS-1 于 2026 年 10 月 27 日正式全面上线，评测数据于次日公布。其费率表异常统一：每百万输入字符收费 15 美元，空格和标点也计入；这一单一费率涵盖 4,000 多种语音库中的所有语音、所有首发语言、即时语音克隆、词级时间戳，以及美国或欧盟处理。没有按语音单独收费，没有并发层级，也没有年度合同，供应商表示，无论你运行十个并发调用还是一万个，每字符价格都相同。

ElevenLabs 的价目表按模型分级。Eleven v4 于 2026 年 9 月 28 日发布，标价为每千字符 0.08 美元——即每百万字符 80 美元。Eleven v4 Turbo 和 Flash v2.5 的标价均为每千字符 0.04 美元，即每百万字符 40 美元。一项首发促销将 v4 降价 72%，持续至 2026 年 10 月 12 日；该窗口现已结束，因此 80 美元现在是您实际会被计费的金额。

把这两项都换算成语音代理团队做预算时使用的单位。按每分钟约150词的正常语速、每个词连空格约六个字符计算，一分钟成品语音大约是900个字符。这是估算，不是供应商给出的数字，但足以看清账单大致会是什么样：

连续语音一小时——约54,000个字符——在AssemblyAI-TTS-1上花费约$0.81，在Eleven v4上花费$4.32，在Eleven v4 Turbo上花费$2.16。

• 十万通三分钟通话——30万分钟，约2.7亿个字符——在 AssemblyAI-TTS-1 上花费约 4,050 美元，在 Eleven v4 上花费 21,600 美元，在 Eleven v4 Turbo 上花费 10,800 美元。

• 在相同调用量下，该工作负载中 AssemblyAI-TTS-1 与 Eleven v4 Turbo 的差价为每月 6,750 美元。与 Eleven v4 相比则为 17,550 美元。

这才是真正的决策，而且它很无聊：你是在选择，在十万次调用的情况下，一个质量差值是否值得每月 6,750 美元。这场对比中其余的一切，都只是在讨论这个差值实际上有多大。

每百万字符多花 65 美元能换来什么

在盲听排行榜上，这能带来可量化的收益。根据 2026 年 10 月 30 日读取的 Artificial Analysis Provider Voice Arena 排名，Eleven v4 Turbo 以 1,336 Elo 位列第一，Eleven v4 以 1,334 位列第二，而 AssemblyAI-TTS-1 以 1,227 位列第十四。在该量表上，107 分的差距并非噪声——置信区间并不重叠。在 Controlled Voice Arena 上，该评测保持参考录音不变，因此比较的重点是克隆保真度而非预置音色；AssemblyAI-TTS-1 以 1,110 位列第十。

差距的其余部分在于物品栏和操控界面，而且它比 Elo 分差所暗示的更大：

• 语言 — AssemblyAI-TTS-1 发布时支持六种语言：英语、西班牙语、法语、德语、意大利语和葡萄牙语，每种语言均有多种口音。Eleven v4 覆盖 90 多种语言，采用母语口音，而不是由英语使用者朗读外语词汇。

• 语音库——AssemblyAI-TTS-1 上有 4,000 多种，而 Eleven v4 宣称有 17,500 多种。

• 克隆——即时克隆仅在 AssemblyAI-TTS-1 上提供，使用的是供应商在 24 秒处演示的样本。Eleven v4 将短至十秒的即时克隆与 Professional Voice Cloning 搭配，后者在 v3 中缺席后于 v4 回归。现有的专业克隆可能需要针对 v4 进行专门重新训练。

• 控制能力——AssemblyAI-TTS-1 不附带 SSML、无语速参数、无发音词典，也没有情感标签。其发布文章明确表示，标点符号与书面语中的不流畅表达都会按原样读出，而停顿是通过提示词引导产生的，并非借助标记。Eleven v4 支持可叠加的内联音频标签——[laughs]、[whispers]——以及 10,000 字符的请求上限。

• 输出与传输管线 — AssemblyAI-TTS-1 通过 WebSocket 和 HTTP 进行流式传输，提供兼容 OpenAI 的端点，附带词级时间戳，支持用于打断（barge-in）的取消消息，并发布了 LiveKit 和 Pipecat 参考智能体。Eleven v4 通过 ElevenAPI、ElevenAgents 和 ElevenCreative 以模型 ID eleven_v4 和 eleven_v4_turbo 销售。

请把这份清单当作产品定位说明，而不是记分牌。AssemblyAI 构建 TTS 端点只为一件事——把一轮对话快速、准确地读进电话线路，并保持固定价格——同时刻意没有提供演播室级控制功能。ElevenLabs 则持续打造语音平台。如果你的产品是做配音、旁白，或是需要训练和治理的品牌声音，那么无论价格如何，这个六语言端点都不在考虑之列。

延迟数值相差三倍，而两者都是诚实的

这部分对比是多数报道容易搞错的地方，两个方向上都存在误读。AssemblyAI 的发布文章称其生产环境中首个音频包到达时间为 90 毫秒，在其自家实验室测试中首字节时间中位数为 47 毫秒，并称这是六款模型中最快的。其自行报告的横向对比表将 ElevenLabs Flash v2.5 列为 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。ElevenLabs 自己的文档则声称 Turbo 的首个语音输出时间中位数约为 150 毫秒，推理延迟中位数约为 100 毫秒。

随后，独立测试公司 Cekura 测得 AssemblyAI-TTS-1 的中位流式延迟为 159 毫秒，在其计时的 19 个模型中排名第八；当发送全文时，中位延迟为 171 毫秒，p90 为 296 毫秒。这与供应商所说的 47 毫秒并不矛盾。这是不同的计时方式：AssemblyAI 计时从请求到首字节，Cekura 计时从发送最后一个词到首次音频输出。语音智能体在协商一轮对话时更关心第二种测量，因为 LLM 必须先完成句子生成。

所以，诚实的解读是：在供应商自己的方法论下，AssemblyAI-TTS-1 是对比中最快的，而 ElevenLabs v4 则是最慢的，且差距很大；而在独立的、面向智能体场景的方法论下，AssemblyAI-TTS-1 处于中游，并且它的说法和 ElevenLabs 的说法，对于你的电话链路而言，都应被视为未经证实。唯一经得起推敲的延迟对比，是与 Flash v2.5 的对比——Flash v2.5 是 ElevenLabs 为赢得这一论点而存在的 SKU，第三方在生产环境中测得它大约在 185 到 197 毫秒之间。AssemblyAI-TTS-1 的 159 毫秒比它更快，价格还低 2.7 倍。这是这场对比中唯一一个“更便宜”和“更快”给出同一答案的地方。

AssemblyAI-TTS-1 最先在哪里出问题

不是靠速度，也不是靠价格。而是靠真实来电者所说内容的长尾。

Cekura 的各类别结果显示，AssemblyAI-TTS-1 在电话号码和代码上以 91.7% 排名第一，在自然度上以 4.50 排名第四，在上下文发音上以 70.8% 在二十七个模型中排名第二十二。Artificial Analysis 同样在发音稳健性方面给它打出 81.7% 的总体得分——在其评分的模型中排名第十六——其中扩展简写子项得分最低，为 73.8%。Coval 的排行榜将其词错误率列为 1.7%，落后榜首 0.3 个百分点，领先于 1.8% 的 Eleven v4 Turbo 和 Cartesia Sonic 3.6，以及 1.9% 的 Deepgram Aura-2。

把这些情况放在一起比较，一个具体的失效模式就显现出来了：这个模型非常擅长朗读数字，而在判断缩写、地址或账号代码应如何读出来方面则明显较弱。这恰恰是发音词典能够解决的那类错误，而 AssemblyAI-TTS-1 目前还没有提供发音词典。如果你的智能体需要朗读订单号，那么你购买的模型最强的功能恰好覆盖了这一点，而它最弱的功能恰恰是你无法通过配置来绕开的地方。

ElevenLabs 对同一问题的解决方案并非更高的评分，而是更精细的控制：词典、标签、语速，以及基于你自己的参考音频训练的专业克隆。你每百万字符多付 65 美元，换来的是自己修正长尾问题的能力。

代理人的另一半仍记在另一张账单上。

TTS 模型在语音智能体中从不单独运行。它运行在负责撰写句子的语言模型之后，而在大多数技术栈中，正是那个语言模型才是更大的支出项，也是供应商关系更易波动的一层。这正是 OrcaRouter 所覆盖的层面：一个 API，按供应商标价提供 200 多个模型，0% 加价，供应商服务降级时自动故障转移，用于将多个模型组合成单次调用的路由 DSL，以及当一个答案不够好时使用的模型融合。

有两点需要坦诚说明。第一，AssemblyAI-TTS-1 目前并不在 OrcaRouter 的目录中——我们所承载的语音路由是 OpenAI 的 tts-1、tts-1-hd 和 gpt-4o-mini-tts，以及 Google 的 Gemini TTS 预览版——所以这并不是在这里推销购买该模型。第二点更有用：由于加价为零，且供应商的标价原样透传，你所路由的任何 TTS 模型一旦遭遇厂商降价，当天就会反映在你的账单上，正是这一机制让上面从 80 美元降到 40 美元的档位变化值得关注，而不只是读一读而已。

周一做什么

三个问题决定这件事，比任何基准测试都快。

你的智能体是否需要说 AssemblyAI-TTS-1 发布时支持的六种语言之外的语言？那么比较就结束了，而且是在覆盖范围上结束，而不是在质量上。要么等语言列表扩充，要么付费使用 ElevenLabs。

你的智能体是否会把标识符、编码或地址大声读给客户听？那么在正式决定采用之前，请用你自己的字符串测试 AssemblyAI-TTS-1，因为独立评测的发音数据是其记录中最薄弱的一环，而且配置逃生通道至今尚不存在。供应商在其自有的 580 项数据集上报告了 93.7% 的实体准确率——相比之下 Eleven v4 为 93.6%、Flash v2.5 为 68.0%，且均为供应商自报、未经复现——这与 Cekura 的上下文评分所言恰恰相反。这两者之中有一个在衡量你的实际工作负载，而你并不知道是哪一个。

声音是你自己的、经过训练和治理的吗？那么答案就是ElevenLabs，几乎无需争论。用24秒音频即可完成即时克隆，生成一个可用的声音ID；但它并不能生成一个你可以为之辩护的品牌资产。

如果答案分别是六种语言、否和否——对于一个大规模读取普通对话轮次的电话代理而言——那么 AssemblyAI-TTS-1 以 $15 提供无限并发且不收取并发费，是更便宜的选择，而且根据独立延迟测量，也是更快的选项；而这 107 Elo 的盲测偏好质量差距，并不值得你每月花 $6,750 去弥补。将它置于故障转移路径之后，用你自己的通话录音跑一个月测试，并继续把 Flash v2.5 接入作为后备，以备有一天你的语料库长尾部分被发现满是缩写。

这就是整个对比的全部。一家厂商卖的是上限，另一家卖的是下限，两者也都据此定价；而在这里，唯一代价高昂的错误，就是为一个永远达不到该上限的工作负载去买那个上限。