AI Radar — 每天的 AI 热点、模型与教程

AssemblyAI 发布了 AssemblyAI-TTS-1，这是其首个文本转语音模型，现已正式可用。AssemblyAI-TTS-1 文本转语音 API 面向运行在实时电话通话中的语音智能体。在这种场景下，延迟和发音决定了来电者是否会继续留在线上。定价为每 100 万字符 15 美元，无年度合同，也无需购买并发档位。对于已经在使用 AssemblyAI 语音转文本的开发者来说，它通过单一供应商闭合了语音环路。

TL;DR

规模：它是一个托管 API 模型。

运行于：仅限 AssemblyAI 的云，位于美国（us-east-1）或欧盟（eu-north-1）。没有开源权重或本地部署选项。任何支持 HTTP 或 WebSocket 的客户端均可使用。

性能：在 AssemblyAI 的测试中，实体准确率与 ElevenLabs v4 持平，价格不到其 1/5。

最佳：在 AssemblyAI 的 API 测试中，6 个模型的中位首字节时间为 47 ms（自报数据）。

最差：在 Cekura 的独立基准测试中，中位流式延迟为 159 ms，在 19 个计时模型中排名第 8。

底线：

最佳：每 100 万字符 15 美元，并发不限。

最差：尚不支持 SSML、语速控制、发音词典或情感标签。

什么是 AssemblyAI-TTS-1？

AssemblyAI-TTS-1 是 AssemblyAI 推出的流式文本转语音模型，可将智能体的回复转换为语音，用于实时通话。它基于数百万小时的音频训练，其中包括真实对话数据。大多数 TTS 模型将音频表示为离散 token。AssemblyAI 表示，TTS-1 改为基于连续音频表示运行。AssemblyAI 声称这提升了真实感并缩短了首个语音音频的生成时间。

此次发布包含一个拥有 4000 多种声音的库以及即时声音克隆。克隆需要一段简短录音以及说话者许可的确认。发布博文中使用的克隆样本为 24 秒音频。发布时支持六种语言：英语、西班牙语、法语、德语、意大利语和葡萄牙语。

开发者如何集成 AssemblyAI-TTS-1？

共有 3 个接口：一个 HTTP API、一个 WebSocket API 和一个 OpenAI 兼容路由。WebSocket 会话为每个对话保持一个连接，并接受 cancel 消息以支持打断。输出为单声道 PCM、mu-law 或 A-law，采样率 8 kHz 到 48 kHz。24 kHz PCM 是原生格式；电话栈可以直接请求 8 kHz mu-law。包含词级时间戳。AssemblyAI 还发布了 LiveKit 和 Pipecat 参考智能体。

AssemblyAI-TTS-1 在基准测试中表现如何？

AssemblyAI 在 4 个英文数据集上，使用 50 个匹配的克隆音色，将 TTS-1 与 5 个模型进行了对比测试。以下所有数据均为自报，来自 2026 年 10 月 28 日的一次评测。

实体准确率（580 个困难目标，如电话号码和代码）：93.7%，对比 ElevenLabs v4 的 93.6%、Cartesia Sonic 3.6 的 82.5%、ElevenLabs Flash v2.5 的 68.0%。

词准确率：在 Seed-TTS 和 LibriSpeech 句子上为 99.0%。

预测 MOS：3.85，落后于 Inworld TTS-2 Flash 的 3.88，领先于 Sonic 3.6 的 3.82。

首字节时间中位数：47 ms。Flash v2.5 为 119 ms，Sonic 3.6 为 143 ms，Inworld TTS-2 Flash 为 244 ms。

其他：TTSDS 韵律得分 85.5，克隆音频的说话人相似度为 0.64。

独立结果则更为参差。在 Cekura 对 27 个模型的基准测试中，TTS-1 的朗读准确率为 81.5%，自然度为 4.50。其流式延迟中位数（从最后一个词发出时开始计时）为 159 ms。Inworld TTS-2 Flash 在该测试中为 45 ms 和 93.2% 准确率，价格同为 $15。AssemblyAI 还引用了 Coval 排行榜上 1.7% 的词错误率。它报告称在 Artificial Analysis 的受控音色竞技场中首次进入前十。

播放</button>

</div>

<button class="pill on" data-m="ent">实体准确率</button>

<button class="pill" data-m="ttfb">首字节时间中位数（AssemblyAI 测试）</button>

<button class="pill" data-m="cstream">流式延迟（Cekura）</button>

<button class="pill" data-m="cacc">朗读准确率（Cekura）</button>

</div>

</div>

<label for="aai-min">每月语音分钟数：<b id="aai-minv" style="color:#fdfcf8">10,000</b></label>

<p class="note">假设每分钟电话语音为 600 个字符，这是 AssemblyAI 引用的典型数值。每 100 万字符的标价：AssemblyAI-TTS-1 为 $15，Inworld TTS-2 Flash 按需为 $15，ElevenLabs Flash v2.5 为 $40，ElevenLabs v4 为 $80。并发限制未计入价格。</p>

</div>

<div class="card"><h4>不支持 SSML 或语速控制 <span class="tag">LAUNCH GAP</span></h4><p>WebSocket API 没有语速、音高、情感或风格参数，两个 API 也都不接受 SSML。标点符号和像 "um" 这样的书面填充词仍会影响表达效果。</p></div>

<div class="card"><h4>不支持发音词典 <span class="tag">COMING SOON</span></h4><p>自定义发音词典和情感标签已公布但尚未发布。Cartesia Sonic 3.6 已提供自定义发音功能。</p></div>

<div class="card"><h4>6 种语言 <span class="tag">COVERAGE</span></h4><p>英语、西班牙语、法语、德语、意大利语和葡萄牙语。ElevenLabs Flash v2.5 列出 32 种，Cartesia Sonic 3.6 列出 44 种。</p></div>

<div class="card"><h4>延迟取决于测试方法 <span class="tag">CHECK IT</span></h4><p>宣传约为 90 ms，AssemblyAI 自己的测试中位数为 47 ms，Cekura 上的流式延迟中位数为 159 ms（从发送最后一个词开始计时）。</p></div>

<div class="card"><h4>仅支持即时克隆 <span class="tag">LAUNCH GAP</span></h4><p>专业（微调）语音克隆尚不可用。即时克隆需要一段短音频和说话者许可。</p></div>

<div class="card"><h4>仅限云端 <span class="tag">DEPLOYMENT</span></h4><p>美国（us-east-1）和欧洲（eu-north-1）主机价格相同。未公布本地部署方案。</p></div>

</div>

<p class="note">点击卡片可展开。</p>

</div>

<div class="ft"><span>来源：AssemblyAI 发布文章、文档和定价；Cekura TTS 基准测试；厂商定价页面。核查于 2026 年 10 月 29 日。</span><span class="mtp">Built by Marktechpost</span></div>

</div>

(function(){

var R=document.getElementById('mtp-aai-tts1');if(!R)return;

function resize(){try{parent.postMessage({mtpEmbed:'aai-tts1',h:R.offsetHeight+40},'*')}catch(e){}}

R.querySelectorAll('.tab').forEach(function(t){t.addEventListener('click',function(){

R.querySelectorAll('.tab').forEach(function(x){x.classList.remove('on')});t.classList.add('on');

R.querySelectorAll('.pane').forEach(function(p){p.classList.toggle('on',p.getAttribute('data-p')===t.getAttribute('data-t'))});

if(t.getAttribute('data-t')==='bench')draw(cur);setTimeout(resize,60);});});

你的智能体 LLM 写出回复。文本可以在生成时逐词发送。

每个对话一个 WebSocket 会话。语音、语言、采样率和编码在连接时固定。

TTS-1 基于连续音频表示而非离散 token 对语音建模。AssemblyAI 称这提升了真实感和速度。

音频以原始单声道 PCM、mu-law 或 A-law 流式返回。24 kHz PCM 为原生格式；8 kHz mu-law 适合电话线路。

如果来电者打断，一条取消消息会停止语音。词级时间戳显示实际说了什么。

var nodes=R.querySelectorAll('#aai-flow .node'),det=R.querySelector('#aai-detail'),si=-1,timer=null;

function show(i){si=(i+nodes.length)%nodes.length;nodes.forEach(function(n,k){n.classList.toggle('act',k===si);n.classList.toggle('playing',k===3&&si>=3)});det.textContent=(si+1)+'/5 · '+steps[si];resize();}

R.querySelector('#aai-next').onclick=function(){stop();show(si+1)};

R.querySelector('#aai-prev').onclick=function(){stop();show(si<=0?4:si-1)};

var pb=R.querySelector('#aai-play');

function stop(){if(timer){clearInterval(timer);timer=null;pb.textContent=' Play'}}

pb.onclick=function(){if(timer){stop();return}pb.textContent='❚❚ Pause';show(si+1);timer=setInterval(function(){show(si+1)},2200)};

var D={

ent:{u:'%',max:100,hi:true,note:'AssemblyAI 发音测试集：580 个高难度目标（电话号码、日期、URL、代码）。自报数据，评测日期为 2026 年 10 月 28 日。',

r:[['AssemblyAI-TTS-1',93.7,1],['ElevenLabs v4',93.6],['Cartesia Sonic 3.6',82.5],['ElevenLabs Flash v2.5',68.0]]},

ttfb:{u:' ms',max:650,hi:false,note:'每个 API 在单客户端、一次一个请求下的首字节中位时间。由 AssemblyAI 自行报告。越低越好。',

r:[['AssemblyAI-TTS-1',47,1],['ElevenLabs Flash v2.5',119],['Cartesia Sonic 3.6',143],['Inworld TTS-2 Flash',244],['Inworld TTS-2',280],['ElevenLabs v4',612]]},

cstream:{u:' ms',max:600,hi:false,note:'Cekura：从最后一个词发送到首个可听声音的中位时间，美国东部，104 个句子 × 3 次读取。独立测试。越低越好。',

r:[['Inworld TTS-2 Flash',45],['AssemblyAI-TTS-1',159,1],['ElevenLabs Flash v2.5',177],['Cartesia Sonic 3.6',270],['ElevenLabs v4',561]]},

cacc:{u:'%',max:100,hi:true,note:'Cekura：困难部分朗读正确率，由语音转文字转录器评分（为估算值，非人工评分）。独立测试。',

r:[['Inworld TTS-2 Flash',93.2],['AssemblyAI-TTS-1',81.5,1],['ElevenLabs v4',80.4],['Cartesia Sonic 3.6',74.9],['ElevenLabs Flash v2.5',64.4]]}};

var cur='ent',bars=R.querySelector('#aai-bars'),bn=R.querySelector('#aai-bnote');

function draw(m){cur=m;var d=D[m];bars.innerHTML='';d.r.forEach(function(x){

var row=document.createElement('div');row.className='row'+(x[2]?' me':'');

row.innerHTML='<span class="nm">'+x[0]+'</span><span class="track"><span class="fill"></span></span><span class="val">'+(d.u==='%'?x[1].toFixed(1):x[1])+d.u+'</span>';

bars.appendChild(row);var f=row.querySelector('.fill');setTimeout(function(){f.style.width=Math.max(2,x[1]/d.max*100)+'%'},40);});

bn.textContent=d.note;setTimeout(resize,60);}

R.querySelectorAll('#aai-pills .pill').forEach(function(p){p.addEventListener('click',function(){

R.querySelectorAll('#aai-pills .pill').forEach(function(x){x.classList.remove('on')});p.classList.add('on');draw(p.getAttribute('data-m'))})});

var rng=R.querySelector('#aai-min'),mv=R.querySelector('#aai-minv'),co=R.querySelector('#aai-cost');

var P=[['AssemblyAI-TTS-1',15,1],['Inworld TTS-2 Flash (on demand)',15],['ElevenLabs Flash v2.5',40],['ElevenLabs v4',80]];

function calc(){var m=+rng.value,ch=m*600;mv.textContent=m.toLocaleString('en-US');var h='';

P.forEach(function(p){var c=ch/1e6*p[1];h+='<span class="'+(p[2]?'me':'')+'">'+p[0]+'</span><span class="'+(p[2]?'me':'')+'">$'+c.toLocaleString('en-US',{maximumFractionDigits:0})+'/mo</span>'});

co.innerHTML=h+'<span style="color:#a5a4a2">每月字符数</span><span style="color:#a5a4a2">'+(ch/1e6).toLocaleString('en-US',{maximumFractionDigits:1})+'M</span>';}

rng.addEventListener('input',calc);calc();

R.querySelectorAll('#aai-cards .card').forEach(function(c){c.addEventListener('click',function(){c.classList.toggle('open');setTimeout(resize,40)})});

draw('ent');show(0);

window.addEventListener('load',resize);window.addEventListener('resize',resize);setTimeout(resize,300);

})();

</script>

</body></html>">

AssemblyAI-TTS-1 与 ElevenLabs、Cartesia 和 Inworld 相比如何？

功能AssemblyAI-TTS-1Inworld TTS-2 FlashElevenLabs Flash v2.5Cartesia Sonic 3.6模型规模未披露未披露未披露未披露架构连续音频表示未披露未披露状态空间模型（SSM）访问方式托管 API（美国、欧盟）托管 API托管 API托管 API；企业版支持本地部署和 VPC语言数6200+3244厂商延迟声明首个音频约 90 ms服务端 P99 TTFB 低于 25 ms约 75 ms低于 90 msAssemblyAI 测试的 TTFB 中位数47 ms244 ms119 ms143 msCekura 测试的流式延迟中位数159 ms45 ms177 ms270 msAssemblyAI 数据集上的实体准确率93.7%未报告68.0%82.5%Cekura 测试的朗读准确率81.5%93.2%64.4%74.9%Cekura 测试的自然度（UTMOS）4.504.464.334.41每 100 万字符标价$15按需 $15，Growth 套餐 $7$40通过套餐额度为 $37.38 至 $50自助并发按量付费不限按套餐 5 至 500 个请求未披露按套餐 2 至 15 个请求声音克隆仅即时即时和专业版支持支持即时和专业版支持

Cartesia 的区间是将每个套餐价格除以其额度数得出，按每字符 1 个额度计算。

AssemblyAI-TTS-1 的价格是多少？

定价按输入字符计费，包含空格和标点，每 100 万字符 15 美元。所有音色、声音克隆、词级时间戳和欧盟区域处理均按同一费率收费。没有按音色收费、并发收费或最低消费。AssemblyAI 称其为面向语音智能体的最低价前沿 TTS 模型。不过，Inworld TTS-2 Flash 的按需价格也标为每 100 万字符 15 美元，付费方案则降至 7 美元。更明显的差异在并发：Inworld 的按需层级允许 5 个并发请求。

要点

AssemblyAI-TTS-1 是 AssemblyAI 的首个文本转语音模型，专为实时语音智能体打造。

价格为每 100 万字符 15 美元，并发不限，无需签约。

自报数据：实体准确率 93.7%，首字节时间中位数 47 ms。

Cekura 测得流式延迟 159 ms，朗读准确率 81.5%。

发布时缺失：SSML、语速控制、发音词典和情感标签。

查看发布博文、文档、定价，以及 LiveKit 和 Pipecat 参考智能体。另外，欢迎在 Twitter 上关注我们，别忘了加入我们 15 万+ 的 ML SubReddit 并订阅我们的新闻通讯。等等！你在 Telegram 上吗？现在你也可以在 Telegram 上加入我们。

需要与我们合作推广你的 GitHub 仓库、Hugging Face 页面、产品发布或网络研讨会等？联系我们

文章 AssemblyAI Ships AssemblyAI-TTS-1: A $15 per 1M Character Text-to-Speech API for Voice Agents 首发于 MarkTechPost。

AssemblyAI 发布 TTS-1：每百万字符 15 美元的语音合成 API

1 个独立信源

相关条目