AssemblyAI 下场做语音合成：每分钟语音约 1.5 美分，无限并发还不用签年框

2026年10月30日1 次阅读

先讲结论： 做了多年语音转写的 AssemblyAI，10 月 27 日正式上线了自己的第一个语音合成模型 AssemblyAI-TTS-1。它把三件事同时压到了很低：开口延迟（官方说生产环境 90 毫秒内出声，实验室实测中位 47 毫秒）、价格（每 100 万字符 15 美元，按英文语速算大约每分钟 1.5 美分）、以及并发（按量付费没有并发上限，也不用签年度合同）。对正在做电话客服机器人、语音助手、AI 外呼这类「要真人接电话」产品的人来说，这是一个可以直接替换现有 TTS 供应商的选项；对只想给视频配个音的人，它算不上最优解。本文基于 AssemblyAI 官方发布页与多家媒体转述整理。

这是什么？

一句话：它是一个专门为「语音 Agent」设计的商用语音合成（TTS）模型，不是开源模型，只能通过 API 调用。

名字叫 AssemblyAI-TTS-1，是这家公司第一次从「听懂人说话」跨到「替人说话」。之前它的主业是语音识别（ASR），客户里有 Zoom 这类公司。现在它把生成这一半也补上了，等于把一通电话的两端——听清对方说什么、把回复说出来——都收进同一家供应商。

这背后的动机写在官方博客里，说得很直白：打电话的人对「机器音」有本能抵触，一听到像电话按键菜单（IVR）的腔调，就会狂按 0、喊「转人工」。所以语音 Agent 要留住人，第一关不是答得对不对，而是听起来像不像人、反应够不够快。

关键数字

首包延迟：官方口径是生产环境 90 毫秒内开始出声；同一客户端对六家厂商 API 做单请求测试，它首字节中位 47 毫秒，ElevenLabs Flash v2.5 是 119 毫秒、Cartesia Sonic 3.6 是 143 毫秒、Inworld TTS-2 Flash 是 244 毫秒、Inworld TTS-2 是 280 毫秒、ElevenLabs v4 是 612 毫秒
价格：每 100 万字符 15 美元，所有音色、所有语言、声音克隆、词级时间戳、美国或欧盟数据区域都同价，没有按音色加价、没有并发费、没有最低消费
并发：按量付费下不设上限，十条并发和一万条并发同一个单价
音色库：4000 个以上可选音色
克隆：上传一段录音、确认已获得说话人授权，几秒后就能用；官方示例用了 24 秒音频
语言：首发英语、西班牙语、法语、德语、意大利语、葡萄牙语，每种带若干口音

技术路线：不走「离散 token」

官方博客专门对比了一条技术选择：大多数 TTS 会把音频压成离散 token 再生成，代价是音质损失和额外延迟；AssemblyAI-TTS-1 直接在连续的音频表征上工作，所以「像不像人」和「快不快」这两件事能同时拿到。

这话是厂商自述，不能当定论，但它解释了为什么这个模型在延迟上敢跟一线产品对打——延迟低往往不是工程优化出来的，而是架构里少了一步。

官方自测：它自己承认没赢在自然度

官方给了一组自己测的数字，并且罕见地把「没拿第一」的地方也写了出来：

词准确率 99.0%（把生成音频再转写回来，与输入文本比对，Seed-TTS 英文集与 LibriSpeech 集等权平均）
实体准确率 93.7%（专测电话号码、日期、网址、确认码、药名这类「说错就出事」的内容），对比 ElevenLabs v4 的 93.6%、Cartesia Sonic 3.6 的 82.5%、ElevenLabs Flash v2.5 的 68.0%
预测自然度 3.85（满分 5，用自动模型估算听感偏好分），略低于 Inworld TTS-2 Flash 的 3.88，高于 Cartesia Sonic 3.6 的 3.82、ElevenLabs Flash v2.5 的 3.70、ElevenLabs v4 的 3.67
韵律真实度 TTSDS 归一化得分 85.5
克隆相似度 0.64（克隆音与参考录音的说话人向量余弦相似度）

测试条件官方也写清楚了：四套英文测试集（Seed-TTS 443 句短读句、580 句专攻难点的发音集、500 条真实客服通话轮次、LibriSpeech 165 段有声书），所有模型都用同一批 50 个克隆音色来说，评测日期 2026-10-28。

独立评测怎么说

厂商自测只能当参考，官方另外列了三家第三方榜单：

Cekura 的 TTS 榜：用同一批 104 句 Agent 台词跑 27 个模型，它落在「准确率 vs 延迟」的最佳象限，电话号码与验证码一项以 91.7% 排第一，自然度 4.50 排第四
Coval 的 TTS 榜（每天滚动重测 30 天）：词错误率 1.7%，比榜首差 0.3 个百分点，好于 ElevenLabs v4 Turbo 与 Cartesia Sonic 3.6 的 1.8%、Deepgram Aura-2 的 1.9%
Artificial Analysis 的受控音色竞技场（同一批 8 个克隆音色盲听对比）：首秀进前十，排在 ElevenLabs v3 之前

需要提醒的是，这三家榜单的测试集、打分方式各不相同，跨榜比较没有意义，只能各自看「同一张榜上的相对位置」。

怎么用？

直接调 API：注册账号、在控制台选音色、拿到 key，文本进、音频流出来。支持逐词时间戳，支持 barge-in 的取消消息（用户打断时能立刻停口）
接现成 Agent 框架：官方给了 LiveKit 和 Pipecat 的参考实现，把 TTS 那一环指过去就行，不用改整条对话流水线
选数据区域：流式和 HTTP 两套接口都有美国、欧盟两个 host，价格一样，按合规要求选
克隆音色：控制台上传录音、勾选授权确认，几秒后拿到音色 ID，之后按 ID 调用，价格和音色库音色一致

不适用场景

要精细控制发音和情绪的：发音词典、情感标签都还没上线，模型今天不接受 SSML，也没有语速参数
要「专业级」微调克隆的：官方的 Pro（微调）克隆还没做，现在只有即时克隆
要多语言覆盖的：首发只有六种语言，官方说更多语言和口音「几周内」补上，但没给时间表
要开源自托管的：这是闭源商用 API，不能下权重自己跑
只是偶尔给视频配音的：按字符计费对低频、长文本场景未必比订阅制便宜，而且它没有面向创作者的编辑界面

算账：一通电话到底多少钱

按官方计价，100 万字符 15 美元，计费包含空格和标点。

一句经验换算：英文口语大约每分钟 150 个词、接近 900 个字符。也就是说：

一分钟语音 ≈ 900 字符 ≈ 1.35 美分
一千分钟（约 16.7 小时）语音 ≈ 90 万字符 ≈ 13.5 美元
一万分钟 ≈ 135 美元
十万分钟（约 1667 小时）≈ 1350 美元

中文场景要注意：同样意思的中文通常比英文用的字符少，但一个汉字算一个字符，实际每分钟字符数要按你的文案自己测一遍，别直接套英文的 900。

适合谁

做电话语音 Agent 的团队：延迟、单价、并发三件事同时卡住成本模型，这一款正好都压得比较低
客服 / 外呼 / 预约提醒类业务：号码、日期、确认码这类「念错就完蛋」的内容是它的强项
需要大量并发又不想签年框的：按量付费、无并发上限、无最低消费，适合流量波动大的业务
已经在用 AssemblyAI 做转写的：同一家供应商、同一套账单、同一个数据区域，运维上省事
做多语言客服的欧美业务：首发六种语言覆盖了主要语种

不适合谁

要把声音做到「播音级」的内容创作者
需要 SSML、发音词典、情绪标签这类细粒度控制的
必须私有化部署或开源自托管的
需要几十种小语种的

避坑

「47 毫秒」和「90 毫秒」不是一回事：47 毫秒是单客户端实验室测的首字节中位，90 毫秒是官方说的生产环境首音频。对外承诺请用 90 毫秒，别拿实验室数字写 SLA
延迟数字受网络影响极大：跨洲调用、手机弱网环境下，首包会明显变长。上线前一定要在真实网络、真实运营商上测
「无限并发」是指不设并发档位，不是性能承诺：它保证你不需要买并发额度，不保证一万路同时打进来时延迟不变。压测要自己做
克隆音色要走授权流程：控制台要求你确认已获得说话人许可。这块有法律风险，商用前把授权链条留痕
自然度不是第一：官方自己承认略低于 Inworld TTS-2 Flash。如果你的业务主要靠「听着舒服」而不是「念得准」，别只看这一款
语言数量会变：今天六种，官方说几周内加，但发布页没给具体清单。要上多语言产品，等清单出来再排期
计费按字符不按音频时长：文案里的标点、空格都算钱。长文本、大量标点的场景要重新算成本

行动建议

第一步：拿你现有产品里最难的 20 句话（含电话号码、日期、人名、缩写、金额），同时在现用供应商和 AssemblyAI-TTS-1 上跑一遍，重点听「念错没念错」，而不是整体像不像人
第二步：在真实网络环境（不是办公室 Wi-Fi）测首包延迟，按 P50 和 P95 分开看
第三步：按你自己的文案统计「每分钟字符数」，再乘 15 美元/百万字符，算出真实单价，和现在的账单对比
第四步：如果要用克隆音色，先把授权流程和留痕机制定下来，再上生产

参考来源

AssemblyAI 官方博客：Introducing AssemblyAI-TTS-1: text-to-speech built for voice agents（Published on 27 October 2026）

https://www.assemblyai.com/blog/text-to-speech-api

RuntimeWire：AssemblyAI adds speech generation for voice agents at $15 per million characters（2026-10-29）

https://runtimewire.com/article/assemblyai-tts-1-launch-voice-agents

MarkTechPost：AssemblyAI Ships AssemblyAI-TTS-1: A $15 per 1M Character Text-to-Speech API for Voice Agents（2026-10-29）

https://www.marktechpost.com/2026/10/29/assemblyai-tts-1-text-to-speech-api-voice-agents/