AssemblyAI-TTS-1 每百萬字元 15 美元：語音代理的價格底線剛剛改寫

AssemblyAI-TTS-1於 2026 年 10 月 27 日正式全面推出，價格為每百萬輸入字元 15 美元；真正關鍵的數字不是標題上的那個，而是換算後得到的數字。以每秒約 15 個字元的正常說話速度計算，一百萬個字元約等於 18 小時的成品音訊，這使該模型每小時語音成本接近 81 美分。目前的速度領先者 Cartesia Sonic 3.6 每百萬字元收費 49 美元，約每小時 2.70 美元。ElevenLabs v4 收費 80 美元，約每小時 4.40 美元。這是 AssemblyAI 首款獨立文字轉語音模型——該公司直到本週都還是語音轉文字供應商——而它踏入的市場中，領先者對相同單位工作量收取三到五倍的費用。

這個說法需要立刻加上但書，因為這裡有三個不同各方提供三種不同的數字。價格是 AssemblyAI 自己公布的價目表，可在其定價頁面查證。延遲數字來自 AssemblyAI 對五家競爭供應商所做的實驗室測試：30 個提示、三輪、每個模型四種預設語音、一次一個請求。排行榜名次是 Artificial Analysis 的，獨立測量。本文明引 AssemblyAI 自家品質評估——實體準確度、預測 MOS、韻律、複製相似度——那些是廠商自行回報，AssemblyAI 以外無人重現。目前唯一真正獨立的延遲測量，指向不如行銷宣傳那麼好看的地方，值得以此開篇。

規格表，一螢幕盡覽

• 價格 — 每百萬輸入字元 $15，按包含空格與標點的文字計費，包含所有語音庫語音及所有語言，不收取個別語音或並行費用

• 語音 — 資料庫中超過 4,000 種，還能從簡短的參考樣本即時克隆（示範使用了 24 秒的音訊）

• 語言 — 推出時提供英文、西班牙文、法文、德文、義大利文、葡萄牙文，多種口音，下一批未公布日期

• 延遲 — 正式環境的首次音訊時間為 90 ms，該公司稱此為保守估計；在其自家實驗室比較中，首次位元組時間的中位數為 47 ms

• 吞吐量 — 在 Artificial Analysis 上達每秒 162 個字元，領先每秒 148.6 個字元的 Cartesia Sonic 3.6

• 介面 — HTTP、具備用於插話中斷的取消訊息的 WebSocket，以及 OpenAI 相容路由；LiveKit 與 Pipecat 參考代理隨附提供

• 輸出 — PCM、mu-law 與 A-law，8 至 48 kHz，原生 24 kHz，並隨音訊回傳字詞層級時間戳記

• 資料駐留與限制 — 以相同價格於美國或歐盟處理，隨用隨付可無限併發，無年度合約或方案等級購買

• 尚未支援——沒有 SSML、沒有語速參數、沒有發音詞典、沒有情緒標籤、沒有微調的「pro」複製功能

其中兩項承擔的商業作用比其他幾項更大。以牌價提供無限併發，免除了多數 TTS 供應商在面對高用量語音代理時所設置的議價環節；在這種情況下，按分鐘計的併發層級可能超出按字元計的費率。而將空格和標點計入的計費方式雖然誠實，卻並非沒有代價：一份 1,000 詞的腳本在計入空格和逗號後大約有 6,000 個字元，因此每說出一個詞的實際價格，會比單純與按詞計價相比所顯示的更高。AssemblyAI 並沒有隱瞞這一點——定價頁面清楚說明了——但這正是那種會把表面上的 3 倍差距，在真實腳本上變成 2.7 倍的細節。

為什麼 47 毫秒這個數字會如此有分量

發布文章以速度為主打，而背後的測試比多數廠商比較更具參考價值，因為它明確點出競爭對手與測試方法。首位元組時間中位數、單一用戶端、循序請求：AssemblyAI-TTS-1 為 47 毫秒，ElevenLabs Flash v2.5 為 119 毫秒，Cartesia Sonic 3.6 為 143 毫秒，Inworld TTS-2 Flash 為 244 毫秒，Inworld TTS-2 為 280 毫秒，ElevenLabs v4 為 612 毫秒。若接受這樣的測試設定，AssemblyAI 不僅僅是快——它的首位元組速度約為 Cartesia Sonic 3.6 的三倍，而後者正是它定價對標的模型，並且比 ElevenLabs Flash v2.5 快約兩倍半。

測試環境無法告訴你的是負載下會發生什麼事。單一客戶端一次只發出一個請求，量測的是模型，而不是服務：沒有排隊、沒有並行競爭、沒有冷啟動路徑、沒有跨區域的網路跳轉。90 毫秒的生產數據是公司自己試圖將這一點納入考量的估算，而 47 與 90 毫秒之間的差距，大致就是實驗室測試看不見的真實世界代價。任何曾大規模運行語音代理的人都會認出，這就是 TTS 延遲行銷的標準樣貌：基準測試投影片上一個乾淨的實驗室數字、定價討論中一個較寬鬆的生產數字，以及第三個數字——只有當你位於遠離端點的區域、連上公共網路時才會出現。

那個第三個數字現在確實存在，而且更糟。Cekura 是一家獨立的語音代理評測機構，在其代理風格句子的測試集中，測得 AssemblyAI-TTS-1 的中位串流延遲為 159 毫秒——在十九個系統中排名第八，而非第一。Cekura 也給出朗讀準確率 81.5%，基本上與 ElevenLabs v4 的 80.4% 持平，同時在電話號碼與代碼方面將 AssemblyAI 排名第一，達 91.7%，並在自然度方面排名第四，為 4.50。把這兩個來源放在一起看，就會形成一幅連貫的圖像：AssemblyAI-TTS-1 確實能很快開始說話，在難發音的詞元上異常出色，但一旦真正的串流路徑進入迴圈，它就不是榜上最快的。

兩個 Artificial Analysis 競技場，兩則不同的故事

Artificial Analysis 經營兩個 TTS 排行榜，而它們衡量的是不同的事物。Provider Voice arena 讓每個模型使用各自的原生聲音；Controlled Voice arena 則強制每個模型都使用同樣的八個複製聲音。這個區別是本次發布中最有用的地方，因為 AssemblyAI-TTS-1 在受控排行榜上的得分，比在自家語音目錄上的得分更好。

Provider Voice — Elo 1,227 分，首次登場排名第 12，已評分 1,626 次出賽。兩天後，即時排行榜顯示 1,227 分、位列第 14：分數相同，排名卻更低，因為有兩個模型新進榜且排在它前面。Elo 是穩定的數字；排名則是會移動的目標。

• Controlled Voice — 1,110 Elo，初登場時排名第 10，出場 1,674 次。即時排行榜目前顯示 1,108，排名第 10。

• 發音穩健性 — 在 2,115 個已評分片段中達 81.7%，於該排行榜上排名第 16。

• 生成速度 — 每秒 162 個字元。

一個模型在克隆語音中的排名高於它在自家 4,000 種語音庫中的排名，這透露了某個具體訊息：其聲學表現具競爭力，而語音設計還不是差異化優勢。開源權重領域的領導者 Breeze TTS 2 則呈現完全相反的模式——在供應商語音上表現強勁，在可控語音上卻很弱——而正是這項對比讓事情變得有趣。AssemblyAI 已打造出一套涵蓋廣泛、價格低廉且稱職的型錄；但它尚未打造出能憑自身優勢在盲聽測試中勝出的語音。

排名漂移值得留意，背後有其務實理由。所有報導這次發布的彙整平台，都引用 Artificial Analysis 公告貼文中的「Provider Voice 排名第 12」；而當你讀到這段文字時，同一個分數可能已落在第 15 或第 16 名。這並非 AssemblyAI 品質下滑，而是這個排行榜上，區區幾分 Elo 就能橫跨五個名次，且幾乎每週都有新進榜者。請看 Elo 分數、記下你閱讀的日期，別把下滑兩名當成退步。

廠商評估看起來強在哪裡，以及哪裡不強

AssemblyAI 公布的數據比大多數 TTS 產品發表更為完整，這些數據全出自其自身研究，且都以 50 個共用的複製語音進行測試，並將生成的音訊透過其 Universal-3.5 Pro 辨識器轉錄回來。這樣的方法論合情合理——讓音訊透過 ASR 模型往返轉錄，是衡量可懂度的合理替代指標——但這仍然是廠商自行設計並自行評分的測試。

• 困難目標（電話號碼、URL、確認碼、藥品名稱）的實體準確率：AssemblyAI-TTS-1 為 93.7%，ElevenLabs v4 為 93.6%，Cartesia Sonic 3.6 為 82.5%，ElevenLabs Flash v2.5 為 68.0%。領先 ElevenLabs v4 十分之一個百分點，只不過是披著勝利外衣的平手；真正值得注意的發現，是對 Sonic 3.6 領先 11 個百分點。

• 詞語準確率 — 99.0%，已接近上限，因此無法再區分優秀的模型。

• 預測 MOS — 3.85，而這裡 AssemblyAI 落敗：Inworld TTS-2 Flash 在同一量表上得分 3.88，Cartesia Sonic 3.6 為 3.82，而兩款 ElevenLabs 模型都低於它們。廠商自己的表格並沒有把它排在第一。

• TTSDS 韻律 — 85.5，文中沒有跨廠商基準可供比較的數字。

• 複製說話者相似度 — 0.64，這對即時複製而言偏低，且與受控競技場的排名一致，而非供應商的排名。

那份表格最誠實的總結，比發表文案的範圍窄得多：AssemblyAI-TTS-1 很擅長把難處理的字串唸對，在可懂度上具競爭力，自然度處於中段，而在複製聲音時，聲線辨識度最弱。對一個要唸出帳號和郵遞區號的語音代理來說，第一項才是真正划得來的。對有聲書旁白或角色嗓音來說，最後兩項才是關鍵，而這個模型並非首選。

它目前還做不到什麼，以及這會讓你付出什麼代價

這些功能缺口對首個版本而言很常見，但對這個類別來說卻影響異常重大。沒有 SSML，因此若不改寫文字，就無法可靠地強制停頓、強調或特定發音。沒有速度參數，意味著節奏必須在上游透過生成更多或更少的字詞來處理。沒有自訂發音詞典，儘管實體準確度是其主要賣點——當模型確實把品牌名稱唸錯時，你無法提供詞典給它，只能重新拼寫文字並寄望奏效。情緒標籤與微調專業級聲音克隆，用廠商自己的話說都是「即將推出」，而發布頁面上的「原生情緒」標題，與 FAQ 中表示專屬情緒控制功能尚不可用的說法，放在一起顯得格格不入。

語言覆蓋範圍是更嚴苛的限制。推出時僅支援六種語言，相較之下，Cartesia Sonic 3.6 支援 44 種，Breeze TTS 2 則宣稱支援 50 種——但需注意，Breeze 自家的模型卡僅標註英文與中文。若你的代理服務需要在同一週內回答德語與葡萄牙語來電者，AssemblyAI 兩者皆支援；若需要波蘭語、日語或阿拉伯語，則不支援，且尚未公布日期。

你實際上如何獲得它

AssemblyAI-TTS-1 由供應商自家的 API 提供服務——HTTP、WebSocket，以及一個與 OpenAI 相容的端點——美國與歐盟主機價格相同，另有 50 美元的註冊回饋金，且列出的起點僅有隨用隨付一種。除此之外，還可透過數個第三方平台取得。目前它並不在 OrcaRouter 的目錄中，我們也不會假裝它在；如果你這週就要用，供應商的 API 是最直接的路徑。

這次發布真正令我們擔憂的，是它所形成的決策格局。語音代理是一條由三個模型組成的管線——語音辨識、語言模型、語音合成——而 TTS 這一環如今是價格差距最大、最新進場者最多的一環。這正是你在正式投入前會想先接上第二個選項的一環，因為一個全新模型若只做過單一用戶端延遲測試、且沒有獨立負載測試，就正是那種應該放在備援後面的元件。透過單一 API 路由超過 200 個模型、以 0% 加價，正是我們在做的事，並將供應商定價原樣傳遞，讓降價當天就能生效，還有自動容錯移轉，這樣某家供應商某個下午出狀況也不會讓代理停擺。我們今天路由的 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 於你的流量下、而非它自己的流量下證明自己之前，這是一個可用的第二環。

什麼會改變判決

三件事，依它們對決策的影響程度排序。第一，在真實併發情況下進行獨立延遲測試：Cekura 的 159 毫秒串流數據是目前唯一的外部測量，而且只是單一實驗室得出的單一數字。第二個實驗室若能重現 47 毫秒的首位元組優勢——或無法重現——就能判定這項速度主張在面對佇列時是否依然成立。第二，發音詞典。實體準確度是該模型最有力的論據，也是最可能在生產環境中被模型從未見過的產品名稱破壞的能力。推出詞典能把基準測試的勝利轉化為營運上的勝利。第三，這六種語言是否與路線圖其餘部分按同一時程擴展，因為價格優勢只有在涵蓋範圍趕上時才會複利放大。

在那些功能上線之前，對這次發布的正確解讀既狹窄又實用：AssemblyAI-TTS-1 是市場上最便宜且可信的 TTS API，出自一家擁有十年語音基礎設施經驗的供應商；它在實驗室裡很快，在現有唯一的外部測試中也夠快；它朗讀困難字串的表現優於所有比較對象；它在自然度上處於中游，在複製聲音身分上則偏弱。對於六種語言的高用量代理而言，這是強勁的購買選擇；但對於任何需要獨特聲音的用途而言，則為時過早。