AssemblyAI-TTS-1: синтез речи для голосовых агентов
AssemblyAI представила AssemblyAI-TTS-1 — первую модель синтеза речи для голосовых агентов: потоковый звук примерно за 90 мс, неограниченная параллельность без годового контракта, 15 $ за миллион символов. Более 4000 голосов, мгновенное клонирование и шесть языков.
О чём статья
AssemblyAI, компания в области голосового ИИ, запустила AssemblyAI-TTS-1 — свою первую модель синтеза речи, описанную 27 октября 2026 года как общедоступная. Она рассчитана на голосовых агентов в живых телефонных звонках, где медленная или неестественная речь заставляет абонентов класть трубку. Компания заявляет о начале потоковой передачи звука за 90 мс в продакшене (медиана в лаборатории — 47 мс), цене 15 долларов за миллион символов, неограниченной параллельности при оплате по факту, более чем 4 000 голосов, мгновенном клонировании голоса и акцентах на шести языках.
На странице сравнивается медианная задержка (47 мс против 119 мс у ElevenLabs Flash v2.5 и 143 мс у Cartesia Sonic 3.6) и приводится точность произношения 93,7 % на 580 сложных примерах вроде телефонных номеров. Это данные самой компании, дополненные замерами Coval, Cekura и Artificial Analysis. Ограничения: пока нет тонко настроенного клонирования, SSML и параметра скорости; словари произношения и теги эмоций обещаны. Компания советует сначала проверить модель на части реального трафика.
Читать официальную статью Карточка AnnuIA
Краткое изложение написано AnnuIA своими словами по официальной странице AssemblyAI. Содержание и права принадлежат издателю: читайте оригинальную статью.