Суть продукта: Замыкание голосового контура
Компания AssemblyAI выпустила AssemblyAI-TTS-1 — свою первую модель синтеза речи (Text-to-Speech), доступную в общем доступе (GA). В отличие от большинства конкурентов, использующих дискретные токены, TTS-1 обучена на непрерывных аудиопредставлениях (continuous audio representations) на основе миллионов часов реальных диалогов. Это позволяет снизить задержку до первого произнесенного звука и повысить естественность интонаций.
Ключевая цель продукта — поддержка голосовых агентов (voice agents) в режиме реального времени. Модель поддерживает мгновенное клонирование голоса (на основе 24-секундной записи с согласия спикера), 4000+ голосов и 6 языков: английский, испанский, французский, немецкий, итальянский и португальский. Интеграция возможна через HTTP, WebSocket (с поддержкой barge-in для перебивания) и OpenAI-совместимый маршрут.
Производительность: Заявленные цифры vs Реальные тесты
Результаты тестирования демонстрируют разрыв между самоотчетами разработчика и независимыми бенчмарками. AssemblyAI утверждает, что модель превосходит конкурентов по скорости отклика, однако независимая лаборатория Cekura зафиксировала более высокие задержки.
| Метрика | AssemblyAI-TTS-1 | Inworld TTS-2 Flash | ElevenLabs Flash v2.5 | Cartesia Sonic 3.6 |
|---|---|---|---|---|
| Скорость (TTFB), тест AssemblyAI | 47 мс | 244 мс | 119 мс | 143 мс |
| Скорость (Latency), тест Cekura | 159 мс | 45 мс | 177 мс | 270 мс |
| Точность сущностей (Entity Acc) | 93.7% | Не сообщено | 68.0% | 82.5% |
| Точность чтения, тест Cekura | 81.5% | 93.2% | 64.4% | 74.9% |
| Естественность (UTMOS), тест Cekura | 4.50 | 4.46 | 4.33 | 4.41 |
| Цена за 1 млн символов | $15 | $15 ($7 с планом) | $40 | $37.38–$50 |
Ценообразование и ограничения
AssemblyAI позиционирует TTS-1 как самое дешевое решение уровня frontier для голосовых агентов. Стоимость составляет $15 за 1 млн символов (включая пробелы и пунктуацию). В отличие от Inworld, который ограничивает параллельные запросы на бесплатном/базовом уровне, AssemblyAI предлагает неограниченную параллельность (unlimited concurrency) без необходимости покупки пакетов или заключения годовых контрактов.
Однако на старте модель имеет серьезные функциональные ограничения. В TTS-1 отсутствуют:
- Поддержка SSML (Speech Synthesis Markup Language);
- Контроль скорости речи;
- Словари произношения;
- Теги эмоций.
Модель работает только в облаке AssemblyAI (регионы US-east-1 и EU-north-1), локальная установка или open-weight версия недоступны.
Почему это важно
Для разработчиков голосовых AI-ассистентов появление TTS-1 создает новую точку сравнения. При цене, сопоставимой с Inworld, но с заявленной скоростью отклика 47 мс (в тестах AssemblyAI) и отсутствием лимитов на параллельность, модель становится привлекательной для высоконагруженных сценариев. Однако независимые тесты Cekura показывают, что реальная задержка (159 мс) и точность чтения (81.5%) уступают Inworld TTS-2 Flash, что требует осторожности при выборе для критичных к задержкам приложений.
Бенчмарки
| Бенчмарк | AssemblyAI-TTS-1 | Cartesia Sonic 3.6 | ElevenLabs Flash v2.5 | ElevenLabs v4 | Inworld TTS-2 Flash |
|---|---|---|---|---|---|
| Entity accuracy | 93.7% | 82.5% | 68% | 93.6% | — |
| Median time to first byte | 47ms | 143ms | 119ms | — | 244ms |
| Predicted MOS | 3.85score | 3.82score | — | — | 3.88score |
| Reading accuracy | 81.5% | — | — | — | 93.2% |
| Median streaming latency | 159ms | — | — | — | 45ms |
| Naturalness | 4.5score | — | — | — | 4.46score |
Жирным — лучший результат в строке. Источник цифр — официальная публикация.
Источник: MarkTechPost ↗