专题 · FULL STORY

AssemblyAI TTS-1：从发布到实测

AssemblyAI 于 10 月 28 日发布首款文本转语音模型 TTS-1，定位语音 Agent 实时对话场景。随后 Artificial Analysis 与 Cekura 展开多维实测，显示其速度登顶，但细节表现存在短板，口碑出现转折。

2026-10-28 ~ 2026-10-29 · 2 集 · 11 条

第 1 集 · AssemblyAI 发布首款 TTS 模型 TTS-1(2026-10-28,5 条)

AssemblyAI 于 10 月 28 日正式发布其首款文本转语音模型 AssemblyAI-TTS-1，产品定位是语音 Agent 的实时对话场景，当日即可使用。官方给出的核心参数包括：首段音频延迟约 90ms（转发帖另称 80ms 首 byte/TTFB，口径略有出入），定价为每百万字符 15 美元，支持即时声音克隆与 4000+ 预置音色，流式输出延迟为 90 毫秒量级。官方宣称在准确性、自然度与成本三者综合上，没有其他 TTS 模型能同时胜出，是最适合规模化运行的 TTS。

已确认

  • 发布方与发布日期：AssemblyAI 官方账号 10 月 28 日官宣，TTS-1 即日起可用
  • 定价：$15/百万字符
  • 延迟：官方口径为 90ms 首段音频/流式输出（转发帖中出现 80ms 首字节的说法）
  • 功能：支持 4000+ 预置音色、即时声音克隆，面向实时语音 Agent
  • 第三方评测：Artificial Analysis 在多个竞技场与基准上完成评测，生成速度 162 字符/秒居前；Provider Voice 竞技场 Elo 1,227（1,626 次出场），并进入 Provider Voice Arena 与 Controlled Voice Arena 双前十二

尚未确认

  • 官方帖与转发帖在延迟指标上存在 80ms（首字节）与 90ms（首段音频）两种表述，可能是统计口径不同，具体定义待官方澄清

为什么重要

TTS-1 是 AssemblyAI 从语音识别/理解向语音合成扩展的首款产品，主打低延迟与低成本组合，直接切入当前火热的语音 Agent 市场；Artificial Analysis 的独立评测为其速度与竞技场排名提供了第三方佐证，但「综合最优」仍是厂商自述，实际表现需更多横向对比验证。

第 2 集 · AssemblyAI 首个 TTS 模型实测：速度登顶，细节有短板(2026-10-29,6 条)

AssemblyAI 首个语音合成模型 AssemblyAI-TTS-1 发布后，Artificial Analysis 与评测机构 Cekura 分别给出多维度实测，整体呈现「速度顶尖、定价激进、细节有短板但部分场景突出」的画像。

已确认

  • 速度：Artificial Analysis 榜单显示 162 字符/秒，居 TTS 速度榜首位，超过 Cartesia Sonic（148.6）与 Mistral Voxtral 等。
  • 定价：$15/百万字符，进入第一梯队价位。
  • 发音鲁棒性：总分 81.7%，排名第 16。该基准由人工评审判断模型能否正确读出四类困难文本，缩写展开是 AssemblyAI-TTS-1 的明显短板。
  • 同声竞技场（Controlled Voice Arena）：所有模型使用同一克隆声音对比，AssemblyAI-TTS-1 以 1110 的 Elo 排名第 10，其中知识分享类以 1139 分进入前六，助手场景（1121）与客服类均排第 10。
  • 样例音频：官方渠道放出一段典型客服话术样例（内容涉及取消费说明与免除），可供直观试听自然度。
  • Cekura 第三方横评：据 AssemblyAI 转述，Cekura 对 27 个 TTS 模型的独立基准测试中，AssemblyAI-TTS-1 在电话号码和代码朗读上以 91.7% 准确率排第一，处于速度与准确率象限最佳；在 15 美元/百万字符及以下价位段中以 4.50 的表现领先。

为什么重要

AssemblyAI 首次进军语音合成即以速度与定价切入第一梯队，说明 TTS 市场竞争焦点正从单纯的自然度扩展到延迟与成本；Artificial Analysis 的鲁棒性第 16 与 Cekura 的电话号码/代码朗读第一形成互补视角——模型在结构化文本（数字、代码）上表现突出，但在缩写等口语化困难文本上仍需改进，选型时应结合具体业务文本类型在速度与准确性之间权衡。