AssemblyAI-TTS-1 對比 ElevenLabs Eleven v4：便宜 5.3 倍換來什麼，又得付出什麼代價

AssemblyAI-TTS-1 每百萬字元收費 $15。ElevenLabs Eleven v4 收費 $80。那個比例——5.3×——是每一篇關於這場對決的頭條報導都會先搬出的數字，卻也是其中最沒用的數字，因為你真正會放進電話客服代理背後的模型並不是 Eleven v4。而是 Eleven v4 Turbo，每百萬字元 $40，或同樣是 $40 的 Flash v2.5。對上這些模型，折扣是 2.7×；而對上 Flash v2.5——ElevenLabs 專門為這類工作販售的低延遲同系列產品——AssemblyAI-TTS-1 根本不是在跟傳統既有霸主競爭。兩者都是在過去五週內推出。兩者都是為同一個客戶打造。其中一方正為另一方已決定不與之競爭的品質天花板付出代價。

價格表比基準表發揮更大的作用

AssemblyAI-TTS-1 於 2026 年 10 月 27 日正式全面推出，並於隔日公布評測數據。其價目表異常扁平：每百萬輸入字元收費 15 美元，空格與標點皆計入，且這單一費率涵蓋 4,000 多種語音庫中的每一種聲音、所有首發語言、即時語音複製、字詞時間戳，以及美國或歐盟處理選項。沒有按語音計費的費用、沒有併發層級、沒有年度合約，且供應商表示，無論你執行十路還是十萬路併發呼叫，每字元價格都相同。

ElevenLabs 的價目表依模型分級計費。於 2026 年 9 月 28 日發表的 Eleven v4，定價為每千字元 $0.08，即每百萬字元 $80。Eleven v4 Turbo 與 Flash v2.5 的定價皆為每千字元 $0.04，即每百萬字元 $40。一項上市促銷曾將 v4 降價 72%，優惠期至 2026 年 10 月 12 日；該優惠期已結束，因此現在實際計費的金額就是 $80。

將兩者換算成語音代理團隊編列預算時使用的單位。以一般說話速度每分鐘約 150 字，且每字約六個字元（含空格）計算，一分鐘的成品語音約為 900 個字元。這是估算值，不是供應商提供的數字，但已足以看出帳單的輪廓：

• 一小時的連續語音——約 54,000 個字元——在 AssemblyAI-TTS-1 上大約花費 $0.81，在 Eleven v4 上為 $4.32，在 Eleven v4 Turbo 上為 $2.16。

• 十萬通三分鐘的通話——共 300,000 分鐘，約 2.7 億個字元——使用 AssemblyAI-TTS-1 約需 $4,050，使用 Eleven v4 約需 $21,600，使用 Eleven v4 Turbo 約需 $10,800。

• 在相同通話量下，該工作負載使用 AssemblyAI-TTS-1 與 Eleven v4 Turbo 的每月費用相差 $6,750；若與 Eleven v4 相比，則相差 $17,550。

那才是真正的決策，而且是個枯燥的決策：你是在權衡，在十萬通通話的規模下，品質差距是否值得每月 6,750 美元。這場對決中其餘的一切，都取決於那個差距實際上有多大。

每百萬字元多付的 65 美元能換來什麼

在盲聽排行榜上，這能帶來可測量的幅度。根據 2026 年 10 月 30 日讀取的 Artificial Analysis 的 Provider Voice Arena，Eleven v4 Turbo 以 1,336 Elo 排名第一，Eleven v4 以 1,334 排名第二，而 AssemblyAI-TTS-1 則以 1,227 排名第十四。在該量表上，107 分的差距並非雜訊——信賴區間並不重疊。在 Controlled Voice Arena 中，參考錄音保持不變，因此比較重點在於複製保真度，而非預設語音；AssemblyAI-TTS-1 以 1,110 排名第十。

差距其餘部分在於庫存與控制面，而且它比 Elo 差距所暗示的還要大：

• 語言 — AssemblyAI-TTS-1 推出時支援六種語言：英語、西班牙語、法語、德語、義大利語和葡萄牙語，每種皆有多種口音。Eleven v4 涵蓋 90 多種語言，並採用母語口音，而非由英語使用者朗讀外語詞彙。

• 語音庫 — AssemblyAI-TTS-1 提供超過 4,000 種，而 Eleven v4 宣稱超過 17,500 種。

• 複製 — 即時複製僅限 AssemblyAI-TTS-1，取樣自廠商示範的 24 秒樣本。Eleven v4 搭配 Professional Voice Cloning，可從最短十秒的音訊進行即時複製；該功能在 v3 缺席後於 v4 回歸。既有的專業複製可能需要針對 v4 重新訓練。

• 控制功能——AssemblyAI-TTS-1 不支援 SSML、速度參數、發音詞典與情緒標籤。其發布貼文明確指出，標點符號與書面語中的不流暢現象會照字面讀出，而停頓是透過提示誘導，而非靠標記。Eleven v4 則支援可堆疊的內嵌音訊標籤——[laughs]、[whispers]——以及 10,000 字元的請求上限。

• 輸出與傳輸機制 — AssemblyAI-TTS-1 可透過 WebSocket 與 HTTP 串流，提供 OpenAI 相容端點，隨附詞級時間戳，支援用於插話（barge-in）的取消訊息，並發布 LiveKit 與 Pipecat 參考代理。Eleven v4 透過 ElevenAPI、ElevenAgents 與 ElevenCreative 販售，模型 ID 為 eleven_v4 與 eleven_v4_turbo。

把那份清單當成產品定位的陳述，而不是計分板。AssemblyAI 打造 TTS 端點只為了一項任務——把一輪對話快速、正確地送進電話線，而且價格固定——並刻意略去錄音室級的控制項。ElevenLabs 則持續打造語音平台。如果你的產品是配音、旁白，或需要經過訓練與治理的品牌聲音，那麼這個六語言端點無論價格如何都不在考慮之列。

延遲數字相差三倍，而兩者都是誠實的。

這是這場對比中，多數報導在兩個方向上都弄錯的部分。AssemblyAI 的發布文章引用正式環境中 90 毫秒的首個音訊時間，以及在自家實驗室測試中 47 毫秒的中位數首位元組時間，並稱其為六個模型中最快。其自行報告的正面對決比較表將 ElevenLabs Flash v2.5 列為 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，以及 ElevenLabs v4 為 612 毫秒。ElevenLabs 自家的文件則聲稱 Turbo 的中位數首個語音時間約為 150 毫秒，中位數推論延遲約為 100 毫秒。

接著，獨立測試公司 Cekura 測得 AssemblyAI-TTS-1 的串流延遲中位數為 159 毫秒，在它計時的十九個模型中排名第八；若傳送完整文字，中位數為 171 毫秒，p90 為 296 毫秒。這並不與廠商宣稱的 47 毫秒矛盾。這是不同的計時碼錶：AssemblyAI 計的是從請求到第一個位元組，Cekura 計的是從送出最後一個字到第一個音訊輸出。語音代理在協商一輪對話時更在意第二種測量，因為 LLM 必須先完成句子生成。

因此，誠實的解讀是：依廠商自己的方法論，AssemblyAI-TTS-1 是整場比較中最快的，而 ElevenLabs v4 則以大幅差距敬陪末座；但若換成獨立、以 agent 形態設計的方法論，AssemblyAI-TTS-1 只落在中段，且它的宣稱與 ElevenLabs 的宣稱，對你的電話語音路徑而言都應視為未經驗證。唯一經得起檢驗的延遲比較，是與 Flash v2.5 的比較——那是 ElevenLabs 專門為了贏得這場爭論而存在的 SKU，第三方在生產環境中測得約 185 至 197 毫秒。AssemblyAI-TTS-1 的 159 毫秒比它更快，價格還低 2.7 倍。這是這場對決中唯一一個「更便宜」與「更快」給出同一個答案的地方。

AssemblyAI-TTS-1 首先在哪裡失效

不是在比速度，也不是在比價格。而是在比真實來電者所說的種種長尾內容。

Cekura 的各類別結果顯示，AssemblyAI-TTS-1 在電話號碼與代碼項目以 91.7% 排名第一，在自然度以 4.50 排名第四，並在語境發音以 70.8% 於二十七個模型中排名第二十二。Artificial Analysis 同樣在發音穩健性整體給它 81.7%——在其評分模型中排名第十六——其中最弱的子分數是縮寫展開，為 73.8%。Coval 的排行榜則將其詞錯誤率列為 1.7%，落後領先者零點三個百分點，並領先 Eleven v4 Turbo 與 Cartesia Sonic 3.6 的 1.8%，以及 Deepgram Aura-2 的 1.9%。

把這些並排比較，就會浮現一個特定的失效模式：這個模型非常擅長把數字讀出來，但在判斷縮寫、地址或帳號代碼該怎麼發音時，明顯較弱。這正是發音詞典能修正的那類錯誤，而 AssemblyAI-TTS-1 目前尚未附帶這種詞典。如果你的代理會讀取訂單 ID，你買到的模型，其最強功能正好涵蓋這一點，最弱功能卻是你無法透過設定避開的地方。

ElevenLabs 對同一問題的答案不是更高的分數，而是更精細的控制：字典、標籤、速度，以及以你自己的參考音訊訓練的專業克隆。你每百萬字元多付 65 美元，換取自行修正尾端的能力。

代理人的另一半仍在另一份帳單上

在語音代理中，TTS 模型從不單獨運作。它運行在負責撰寫句子的語言模型之後，而在大多數技術堆疊中，該語言模型是更大的支出項目，也是供應商關係較易波動的一項。這正是 OrcaRouter 涵蓋的層級：一個 API，以供應商定價提供 200 多個模型，且 0% 加價、供應商效能下降時的自動容錯移轉、可將多個模型組合成單次呼叫的路由 DSL，以及當單一答案不夠好時的模型融合。

兩點坦白的提醒。第一，AssemblyAI-TTS-1 目前並不在 OrcaRouter 的目錄中——我們所提供的語音路由是 OpenAI 的 tts-1、tts-1-hd 與 gpt-4o-mini-tts，以及 Google 的 Gemini TTS 預覽版——所以這並不是要推銷在這裡購買該模型。第二點、也更實用：由於標記費率為零，且供應商的標價會直接轉嫁，因此無論你實際路由到哪一款 TTS 模型，廠商降價都會在同一天反映在你的帳單上，而這正是讓上述從 $80 降到 $40 的級距洗牌值得持續關注、而不只是讀過就算的機制。

星期一要做什麼

三個問題比任何基準測試都更快決定這件事。

你的 agent 需要說一種 AssemblyAI-TTS-1 推出時六種語言之外的語言嗎？那麼比較就結束了，而且是輸在語言覆蓋範圍，不是品質。等它的語言清單擴增，或者付錢給 ElevenLabs。

你的代理程式會不會把識別碼、代碼或地址大聲唸給客戶聽？那麼在正式採用 AssemblyAI-TTS-1 之前，先用你自己的字串測試它，因為獨立發音的數據是它紀錄中最弱的一環，而且那個設定上的逃生門目前還不存在。該廠商在自家 580 項資料集上取得 93.7% 的實體準確率——相較於 Eleven v4 的 93.6% 與 Flash v2.5 的 68.0%，這些數據皆為廠商自報且未經重現——這與 Cekura 的情境分數所說的正好相反。這兩者之中，有一個正在衡量你的工作負載，而你並不知道是哪一個。

你的聲音是自己的、受過訓練且受到管控的嗎？那麼答案幾乎無可爭議：ElevenLabs。從 24 秒音訊即時克隆，能產生可用的聲音 ID；但它產生不了你能夠捍衛的品牌資產。

如果答案是大規模電話代理處理一般對話輪次時所需的六種語言、否，以及否——那麼以 $15 提供無限併發且不收併發費的 AssemblyAI-TTS-1 就是更便宜、且依獨立延遲測量而言更快的選項，而品質差距是 107 Elo 的盲測偏好，你不必每月花 $6,750 來彌補。把它放在容錯移轉路徑之後，用自家通話錄音對它進行一個月測試，並讓 Flash v2.5 保持接線為備援，以備語料庫長尾日後被發現滿是縮寫的那一天。

這就是整個對決。一家廠商賣的是天花板，另一家賣的是地板，兩者都據此定價，而在這裡唯一昂貴的錯誤，就是為了一個永遠達不到天花板的工作負載去買天花板。