AssemblyAI-TTS-1：音声エージェント向けのテキスト読み上げ
AssemblyAIは、音声エージェント向けの初のテキスト読み上げモデルAssemblyAI-TTS-1を公開した。約90ミリ秒で音声をストリーミングし、年間契約なしで同時接続数無制限、100万文字あたり15ドル。4,000以上の音声、即時ボイスクローン、6言語に対応する。
記事の内容
音声AIのAssemblyAIは、初のテキスト読み上げモデルAssemblyAI-TTS-1を2026年10月27日付で一般提供として紹介しました。遅い、あるいは不自然な音声で相手が電話を切ってしまうライブ通話の音声エージェントを想定しています。会社は、本番での音声ストリーミング開始90ミリ秒（ラボ中央値47ミリ秒）、100万文字あたり15ドル、従量課金での同時接続無制限、4,000超の音声、即時ボイスクローン、6言語のアクセント対応を挙げています。
中央値レイテンシは47ミリ秒で、ElevenLabs Flash v2.5の119ミリ秒、Cartesia Sonic 3.6の143ミリ秒と比較されています。電話番号などの難しい580項目での発音精度は93.7%とされます。数値は会社自身のもので、Coval、Cekura、Artificial Analysisの測定も添えられています。制約として、ファインチューニング型のクローンはまだなく、SSMLと速度パラメータもありません。発音辞書と感情タグは近日対応予定です。切り替える前に、実トラフィックの一部で試すことが勧められています。
この要約は、AssemblyAI の公式ページをもとに AnnuIA が自分の言葉で作成しました。内容および権利は発行元に帰属します。元の記事をご覧ください。