AssemblyAI-TTS-1: síntesis de voz creada para agentes de voz
AssemblyAI lanza AssemblyAI-TTS-1, su primer modelo de síntesis de voz para agentes de voz, con audio en streaming en unos 90 ms, concurrencia ilimitada sin contrato anual y 15 $ por millón de caracteres. Incluye más de 4.000 voces, clonación instantánea y seis idiomas.
Qué dice el artículo
AssemblyAI, empresa de IA de voz, ha lanzado AssemblyAI-TTS-1, su primer modelo de síntesis de voz, descrito el 27 de octubre de 2026 como de disponibilidad general. Está pensado para agentes de voz en llamadas en directo, donde una voz lenta o poco natural hace que los clientes cuelguen. La empresa indica un inicio de transmisión de audio de 90 ms en producción (47 ms de mediana en laboratorio), un precio de 15 dólares por millón de caracteres, concurrencia ilimitada con pago por uso, más de 4.000 voces, clonación instantánea y acentos en seis idiomas.
La página compara la latencia mediana (47 ms frente a 119 ms de ElevenLabs Flash v2.5 y 143 ms de Cartesia Sonic 3.6) e informa de un 93,7 % de precisión de pronunciación en 580 casos difíciles, como números de teléfono. Son cifras de la propia empresa, complementadas con mediciones de Coval, Cekura y Artificial Analysis. Limitaciones: aún no hay clonación afinada, ni SSML ni parámetro de velocidad; los diccionarios de pronunciación y las etiquetas de emoción figuran como próximos. La empresa recomienda probar el modelo con una parte del tráfico real antes de cambiar.
Leer el artículo oficial Ficha AnnuIA
Resumen redactado por AnnuIA con sus propias palabras a partir de la página oficial de AssemblyAI. El contenido y los derechos pertenecen al editor: consulte el artículo original.