AssemblyAI-TTS-1: 15 dollár egymillió karakterért

Mi az AssemblyAI-TTS-1?

Az AssemblyAI október 28-án mutatta be első text-to-speech modelljét (AssemblyAI). A cég eddig speech-to-text oldalon volt erős, most a voice agent pipeline kimeneti végére is ad modellt. A modell continuous audio reprezentációval dolgozik, nem diszkrét audio tokenekkel, ami a cég szerint természetesebb hangot ad.

• Ár: 15 dollár egymillió karakterenként, korlátlan concurrency, szerződés nélkül.
• Több mint 4000 előre elkészített hang, instant voice cloning, illetve 6 nyelv: angol, spanyol, francia, német, olasz, portugál.
• HTTP, WebSocket streaming és OpenAI-kompatibilis API, amerikai vagy EU-s régióban.

Mit mutatnak a mérések?

A cég saját mérése szerint a median time to first byte 47 ms, élesben pedig az első hang kb. 90 ms alatt érkezik. Entitásoknál (nevek, számok, címek) 93,7%-os pontosságot mértek, szemben az ElevenLabs v4 93,6%-ával, a szópontosság 99,0%, a MOS érték 3,85.

A MarkTechPost egy független tesztet is idéz: a Cekura mérésében a streaming latencia 159 ms lett, a felolvasási pontosság 81,5% (MarkTechPost). A saját és a független számok tehát eltérnek, ezért érdemes a saját szövegeiden kipróbálni.

Ami még hiányzik

Induláskor nincs SSML, sebességállítás, kiejtési szótár, érzelem tagek, illetve Pro szintű voice cloning. Az árazásban az Inworld TTS-2 Flash ugyanennyibe kerül, így a verseny inkább latencián és minőségen dől el.

Mit jelent ez neked?

Ha voice agentet építesz és már AssemblyAI-t használsz STT-re, egy vendornál tarthatod a teljes beszédláncot. Az OpenAI-kompatibilis API miatt a váltás kicsi kódmódosítással kipróbálható. A magyar nincs a 6 nyelv között, ezért hazai projektekhez egyelőre nem megoldás.