AssemblyAI-TTS-1：为语音智能体打造的文本转语音
AssemblyAI 推出面向语音智能体的首款文本转语音模型 AssemblyAI-TTS-1，音频流式输出约 90 毫秒，并发不限且无需年度合同，每百万字符 15 美元。提供 4000 多种声音、即时声音克隆，首发支持六种语言。
文章要点
语音AI公司AssemblyAI推出了首个文本转语音模型AssemblyAI-TTS-1，并在2026年10月27日称其已全面可用。它面向实时电话中的语音智能体，因为语音迟缓或不自然会让来电者挂断。公司称生产环境中音频流在90毫秒内开始（实验室中位数47毫秒），价格为每百万字符15美元，按量付费且并发不限，提供4,000多种声音、即时声音克隆，并支持六种语言的口音。
页面比较了中位延迟（47毫秒，对比ElevenLabs Flash v2.5的119毫秒和Cartesia Sonic 3.6的143毫秒），并称在电话号码等580个难点样本上发音准确率为93.7%。这些是公司自己的数据，并附有Coval、Cekura和Artificial Analysis的测量。限制：尚不支持精调克隆，也没有SSML和语速参数；发音词典和情绪标签标注为即将推出。公司建议先用一部分真实流量测试，再决定是否切换。
本摘要由 AnnuIA 根据 AssemblyAI 官方页面用自己的话撰写。内容及版权归发布方所有，请阅读原文。