AssemblyAI a publié AssemblyAI-TTS-1, son premier modèle de synthèse vocale, désormais disponible généralement. L'API de synthèse vocale AssemblyAI-TTS-1 cible les agents vocaux fonctionnant sur des appels téléphoniques en direct. Dans ce contexte, la latence et la prononciation déterminent si un appelant reste en ligne. La tarification est de 15 $ par 1M de caractères, sans contrat annuel ni palier de concurrence à acheter. Pour les développeurs utilisant déjà la reconnaissance vocale d'AssemblyAI, cela boucle la boucle vocale avec un seul fournisseur.
TL;DR
- Taille : C'est un modèle d'API hébergée.
- Fonctionne sur : le cloud d'AssemblyAI uniquement, dans les régions US (us-east-1) ou EU (eu-north-1). Aucun poids ouvert ni option on-prem. Tout client avec HTTP ou WebSocket fonctionne.
- Performance : Égalise ElevenLabs v4 en précision des entités dans les tests d'AssemblyAI, pour moins de 1/5 de son prix.
- Meilleur : 47 ms de temps médian jusqu'au premier octet parmi 6 modèles dans le test API d'AssemblyAI (autodéclaré).
- Pire : 159 ms de latence médiane en streaming sur le benchmark indépendant de Cekura, 8e des 19 modèles chronométrés.
- En résumé :
- Meilleur : 15 $ par 1M de caractères avec concurrence illimitée.
- Pire : pas encore de SSML, de contrôle de vitesse, de dictionnaires de prononciation ni de balises d'émotion.
Qu'est-ce qu'AssemblyAI-TTS-1 ?
AssemblyAI-TTS-1 est un modèle de synthèse vocale en streaming d'AssemblyAI qui transforme les réponses des agents en parole pour les appels en direct. Il a été entraîné sur des millions d'heures d'audio, y compris des données conversationnelles réelles. La plupart des modèles TTS représentent l'audio sous forme de tokens discrets. AssemblyAI affirme que TTS-1 fonctionne plutôt sur des représentations audio continues. AssemblyAI prétend que cela améliore le réalisme et réduit le délai avant la première parole.
Le lancement comprend une bibliothèque de plus de 4,000 voix et le clonage de voix instantané. Un clone nécessite un court enregistrement et une confirmation de l'autorisation de l'orateur. Le clone dans le billet de lancement utilisait 24 secondes d'audio. Six langues sont prises en charge au lancement : l'anglais, l'espagnol, le français, l'allemand, l'italien et le portugais.
Comment les développeurs intègrent-ils AssemblyAI-TTS-1 ?
Il existe 3 interfaces : une API HTTP, une API WebSocket et une route compatible OpenAI. La session WebSocket conserve une connexion par conversation et accepte un message d'annulation pour le barge-in. La sortie est en PCM mono, mu-law ou A-law, de 8 kHz à 48 kHz. Le PCM 24 kHz est le format natif ; les piles téléphoniques peuvent demander directement du mu-law 8 kHz. Les horodatages par mot sont inclus. AssemblyAI a également publié des agents de référence LiveKit et Pipecat .
Comment AssemblyAI-TTS-1 se comporte-t-il sur les benchmarks ?
AssemblyAI a testé TTS-1 contre 5 modèles sur 4 ensembles anglais, en utilisant 50 voix clonées appariées. Tous les chiffres ci-dessous sont auto-déclarés, issus d'une évaluation datée du 28 octobre 2026.
- Exactitude des entités (580 cibles difficiles telles que des numéros de téléphone et des codes) : 93,7 %, contre 93,6 % pour ElevenLabs v4, 82,5 % pour Cartesia Sonic 3.6 et 68,0 % pour ElevenLabs Flash v2.5.
- Exactitude des mots : 99,0 % sur les phrases Seed-TTS et LibriSpeech.
- MOS prédit : 3,85, derrière Inworld TTS-2 Flash à 3,88 et devant Sonic 3.6 à 3,82.
- Temps médian jusqu'au premier octet : 47 ms. Flash v2.5 a pris 119 ms, Sonic 3.6 143 ms, Inworld TTS-2 Flash 244 ms.
- Autres : 85,5 de score de prosodie TTSDS et 0,64 de similarité de l'orateur pour l'audio cloné.
Les résultats indépendants sont plus mitigés. Sur le benchmark de Cekura portant sur 27 modèles, TTS-1 a obtenu 81.5 % de précision en lecture et 4.50 de naturel. Sa latence médiane de streaming, chronométrée à partir du dernier mot envoyé, était de 159 ms. Inworld TTS-2 Flash y a affiché 45 ms et 93.2 % de précision, au même prix de 15 $. AssemblyAI cite également un taux d'erreur par mot de 1.7 % sur le classement de Coval. Elle fait état d'une entrée dans le top 10 de l'arène des voix contrôlées d'Artificial Analysis .
Play</button> <button class="btn ghost" id="aai-prev">‹ Retour</button> <button class="btn ghost" id="aai-next">Suivant ›</button> </div> </div> <div class="pane" data-p="bench"> <div class="pills" id="aai-pills"> <button class="pill on" data-m="ent">Précision des entités</button> <button class="pill" data-m="ttfb">TTFB médian (test AssemblyAI)</button> <button class="pill" data-m="cstream">Latence en streaming (Cekura)</button> <button class="pill" data-m="cacc">Précision de lecture (Cekura)</button> </div> <div class="bars" id="aai-bars"></div> <p class="note" id="aai-bnote"></p> </div> <div class="pane" data-p="cost"> <div class="calc"> <label for="aai-min">Minutes parlées par mois : <b id="aai-minv" style="color:#fdfcf8">10,000</b></label> <input type="range" id="aai-min" min="1000" max="200000" step="1000" value="10000"> <div class="cost" id="aai-cost"></div> <p class="note">Suppose 600 caractères par minute de parole téléphonique, chiffre cité comme typique par AssemblyAI. Prix catalogue par 1M de caractères : AssemblyAI-TTS-1 $15, Inworld TTS-2 Flash $15 à la demande, ElevenLabs Flash v2.5 $40, ElevenLabs v4 $80. Les limites de concurrence ne sont pas prises en compte dans le calcul.</p> </div> </div> <div class="pane" data-p="limits"> <div class="grid" id="aai-cards"> <div class="card"><h4>Pas de SSML ni de contrôle de vitesse <span class="tag">LACUNE AU LANCEMENT</span></h4><p>L'API WebSocket n'a aucun paramètre de vitesse, de hauteur, d'émotion ou de style, et aucune des deux API n'accepte le SSML. La ponctuation et les remplisseurs écrits comme « um » influencent toujours la restitution.</p></div> <div class="card"><h4>Pas de dictionnaires de prononciation <span class="tag">BIENTÔT DISPONIBLE</span></h4><p>Les dictionnaires de prononciation personnalisés et les balises d'émotion sont annoncés mais pas encore livrés. Cartesia Sonic 3.6 propose déjà des prononciations personnalisées.</p></div> <div class="card"><h4>6 langues <span class="tag">COUVERTURE</span></h4><p>Anglais, espagnol, français, allemand, italien et portugais. ElevenLabs Flash v2.5 en liste 32 et Cartesia Sonic 3.6 en liste 44.</p></div> <div class="card"><h4>La latence dépend de la méthode <span class="tag">À VÉRIFIER</span></h4><p>Environ 90 ms annoncés, 47 ms de médiane dans le test propre d'AssemblyAI, 159 ms de latence médiane en streaming sur Cekura (chronométrée à partir du dernier mot envoyé).</p></div> <div class="card"><h4>Clonage instantané uniquement <span class="tag">LACUNE AU LANCEMENT</span></h4><p>Le clonage de voix Pro (affinée) n'est pas encore disponible. Les clones instantanés nécessitent un court extrait et l'autorisation du locuteur.</p></div> <div class="card"><h4>Cloud uniquement <span class="tag">DÉPLOIEMENT</span></h4><p>Hébergements US (us-east-1) et EU (eu-north-1) au même prix. Aucune option sur site n'est annoncée.</p></div> </div> <p class="note">Touchez une carte pour l'agrandir.</p> </div> <div class="ft"><span>Sources : article de lancement, documentation et tarifs d'AssemblyAI ; benchmark TTS de Cekura ; pages tarifaires des fournisseurs. Vérifié le 29 octobre 2026.</span><span class="mtp">Conçu par Marktechpost</span></div> </div> <script> (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);});}); var steps=['Votre LLM d\'agent rédige une réponse. Le texte peut être envoyé mot par mot au fur et à mesure de sa génération.', 'Une session WebSocket par conversation. Voix, langue, fréquence d\'échantillonnage et encodage sont fixés à la connexion.', 'TTS-1 modélise la parole sur des représentations audio continues, et non sur des tokens discrets. AssemblyAI indique que cela améliore le réalisme et la vitesse.', 'L\'audio est renvoyé en flux PCM mono brut, mu-law ou A-law. Le PCM 24 kHz est natif ; le mu-law 8 kHz convient aux lignes téléphoniques.', 'Si l\'appelant interrompt, un message cancel arrête la synthèse vocale. Les timestamps par mot montrent ce qui a réellement été dit.']; 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:'Ensemble de prononciation d\'AssemblyAI : 580 cibles difficiles (numéros de téléphone, dates, URL, codes). Auto-déclaré, évaluation datée du 28 octobre 2026.', 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:'Temps médian jusqu\'au premier octet via chaque API depuis un même client, une requête à la fois. Auto-déclaré par AssemblyAI. Plus bas est meilleur.', 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 : médiane entre le dernier mot envoyé et le premier son audible, US East, 104 phrases x 3 lectures. Indépendant. Plus bas est meilleur.', 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 : parties difficiles lues correctement, notées par des transcripteurs speech-to-text (une estimation, pas une évaluation humaine). Indépendant.', 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">Characters per month</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>">Comment AssemblyAI-TTS-1 se compare-t-il à ElevenLabs, Cartesia et Inworld ?
| Fonctionnalité | AssemblyAI-TTS-1 | Inworld TTS-2 Flash | ElevenLabs Flash v2.5 | Cartesia Sonic 3.6 |
|---|---|---|---|---|
| Taille du modèle | Non divulguée | Non divulguée | Non divulguée | Non divulguée |
| Architecture | Représentations audio continues | Non divulguée | Non divulguée | Modèle à espace d'états (SSM) |
| Accès | API hébergée (États-Unis, UE) | API hébergée | API hébergée | API hébergée ; sur site et VPC en entreprise |
| Langues | 6 | 200+ | 32 | 44 |
| Revendication de latence du fournisseur | Environ 90 ms jusqu'au premier son | Moins de 25 ms de TTFB côté serveur au P99 | Environ 75 ms | Moins de 90 ms |
| TTFB médian, test AssemblyAI | 47 ms | 244 ms | 119 ms | 143 ms |
| Latence médiane de streaming, Cekura | 159 ms | 45 ms | 177 ms | 270 ms |
| Précision des entités, jeu AssemblyAI | 93.7% | Non communiqué | 68.0% | 82.5% |
| Précision de lecture, Cekura | 81.5% | 93.2% | 64.4% | 74.9% |
| Naturalité, Cekura (UTMOS) | 4.50 | 4.46 | 4.33 | 4.41 |
| Prix catalogue par 1M de caractères | $15 | 15 $ à la demande, 7 $ sur le plan Growth | $40 | 37,38 $ à 50 $ via crédits de plan |
| Concurrence en libre-service | Illimitée en paiement à l'usage | 5 à 500 requêtes selon le plan | Non divulgué | 2 à 15 requêtes selon le plan |
| Clonage de voix | Instantané uniquement | Instantané et professionnel | Oui | Instantané et professionnel |
La grille de Cartesia divise chaque prix de plan par ses crédits, à raison de 1 crédit par caractère.
Combien coûte AssemblyAI-TTS-1 ?
La tarification est au caractère d'entrée, espaces et ponctuation compris, à 15 $ par 1M. Chaque voix, le clonage, les horodatages par mot et le traitement dans l'UE sont au même tarif. Il n'y a pas de frais par voix, de frais de concurrence ni de minimums. AssemblyAI la présente comme le modèle TTS frontal le moins cher pour les agents vocaux. Cependant, Inworld TTS-2 Flash affiche également 15 $ par 1M à la demande, descendant à 7 $ sur les plans payants. La différence la plus marquante est la concurrence : le palier à la demande d'Inworld autorise 5 requêtes concurrentes.
Points clés à retenir
- AssemblyAI-TTS-1 est le premier modèle de synthèse vocale d'AssemblyAI, conçu pour les agents vocaux en direct.
- Il coûte 15 $ par million de caractères (1M), avec une concurrence illimitée et sans contrat.
- Auto-déclaré : 93,7 % de précision des entités et 47 ms de temps médian jusqu'au premier octet.
- Cekura a mesuré une latence de streaming de 159 ms et une précision de lecture de 81,5 %.
- Absent au lancement : SSML, contrôle de la vitesse, dictionnaires de prononciation et balises d'émotion.
Découvrez le billet de lancement, la documentation, les tarifs, ainsi que les agents de référence LiveKit et Pipecat . N'hésitez pas non plus à nous suivre sur Twitter et n'oubliez pas de rejoindre notre 150k+ML SubReddit et de vous abonner à notre Newsletter. Attention ! êtes-vous sur Telegram ? vous pouvez désormais nous rejoindre également sur Telegram.
Besoin de vous associer à nous pour promouvoir votre dépôt GitHub OU votre page Hugging Face OU votre lancement de produit OU votre webinaire, etc. ? Connectez-vous avec nous
L'article AssemblyAI lance AssemblyAI-TTS-1 : une API de synthèse vocale à 15 $ par 1 M de caractères pour les agents vocaux est apparu en premier sur MarkTechPost.