AssemblyAI-TTS-1: Sprachsynthese für Sprachagenten
AssemblyAI startet AssemblyAI-TTS-1, sein erstes Sprachsynthese-Modell für Sprachagenten: Audio-Streaming in rund 90 ms, unbegrenzte Parallelität ohne Jahresvertrag, 15 $ pro Million Zeichen. Über 4.000 Stimmen, sofortiges Klonen und sechs Sprachen zum Start.
Worum es im Artikel geht
AssemblyAI, ein Anbieter für Sprach-KI, hat AssemblyAI-TTS-1 vorgestellt, sein erstes Text-to-Speech-Modell, am 27. Oktober 2026 als allgemein verfügbar beschrieben. Es zielt auf Sprachagenten bei Live-Telefonaten, wo langsame oder unnatürliche Sprache dazu führt, dass Anrufer auflegen. Das Unternehmen nennt einen Audiostart nach 90 ms im Produktivbetrieb (47 ms Labormedian), einen Preis von 15 Dollar pro Million Zeichen, unbegrenzte Parallelität bei Pay-as-you-go, mehr als 4.000 Stimmen, sofortiges Stimmenklonen und Akzente in sechs Sprachen.
Die Seite vergleicht die mediane Latenz (47 ms gegenüber 119 ms bei ElevenLabs Flash v2.5 und 143 ms bei Cartesia Sonic 3.6) und nennt 93,7 Prozent Aussprachegenauigkeit bei 580 schwierigen Fällen wie Telefonnummern. Es sind Angaben des Unternehmens, ergänzt durch Messungen von Coval, Cekura und Artificial Analysis. Einschränkungen: noch kein feinabgestimmtes Klonen, kein SSML und kein Geschwindigkeitsparameter; Aussprachewörterbücher und Emotions-Tags sind angekündigt. Das Unternehmen empfiehlt, das Modell vor dem Wechsel mit einem Teil des Live-Verkehrs zu testen.
Offiziellen Artikel lesen AnnuIA-Profil
Zusammenfassung von AnnuIA in eigenen Worten nach der offiziellen Seite von AssemblyAI. Inhalt und Rechte liegen beim Herausgeber: bitte den Originalartikel lesen.