产品简介
AssemblyAI-TTS-1 是 AssemblyAI 在 2026 年 10 月 27 日全面开放的第一个语音合成模型。这家公司过去只做语音转文字，现在把说话这一段也补上了，卖的是完整的一轮对话：听懂、想清楚、说出来。
它只对着一个场景优化，就是电话里的语音智能体。三个数字撑起全部卖点：首包音频 90 毫秒，每百万字符 15 美元，按量付费不限并发、不用签年框。官方给的实验室数据是首字节中位 47 毫秒，六个模型同一客户端实测里排第一。
技术上它有一个值得说的取舍：多数语音模型把音频离散成 token 再生成，AssemblyAI 直接作用于连续音频表示，官方称这样既提升真实感也缩短出声时间。生成速度每秒 162 个字符，比对比组里最快的每秒 148.6 个字符还高一截。
核心功能
- 90 毫秒出声：生产环境首包音频 90 毫秒，实验室同一客户端实测首字节中位 47 毫秒。这个量级决定了对话里会不会出现那段让人想按 0 转人工的停顿。
- 不限并发不签年框：按量付费下并发不设上限，十路和一万路走同一套 API、同一个单价。没有并发档位可买，也不需要承诺年度消费。
- 四千多个声音：声音库超过 4000 个，支持即时克隆，官方演示用 24 秒音频完成一次克隆。覆盖英语、西班牙语、法语、德语、意大利语与葡萄牙语，各自带多种口音。
- 直接从第一字节流：支持边生成边推流，带 cancel 消息处理用户打断，返回词级时间戳。对接现有对话轮次时不需要额外拼一套缓冲逻辑。
- 连续音频表示：不把音频离散成 token，而是直接建模连续表示。官方称这条路同时改善了自然度与出声延迟，也是 47 毫秒首字节的技术来源。
- 双区域与参考实现：美国与欧洲两个数据区同一价格。官方给了 LiveKit 与 Pipecat 两套参考智能体，替换现有流水线里的 TTS 那一段就能接上。
适合谁用
以下类型的用户会特别受益于 AssemblyAI-TTS-1：
- 电话客服的外呼与接听，首包 90 毫秒能压住用户挂断的冲动。
- 预约、催收、回访这类高频短对话，按字符计费比包月更贴合用量。
- 需要美国或欧洲数据驻留的合规项目，两个区域同价。
- 已有 LiveKit 或 Pipecat 流水线的团队，替换 TTS 一环即可。
- 多语言播报，六种语言带口音变体，同一单价。
- 需要品牌专属声音的场景，用 24 秒样本做即时克隆。
优点亮点
- 生产环境首包 90 毫秒，实验室首字节中位 47 毫秒。
- 每百万字符 15 美元，全部声音与语言同价。
- 按量付费不限并发，不需要承诺年度消费。
- 4000 多个声音，24 秒音频可完成即时克隆。
- 支持流式推流、打断取消与词级时间戳。
- 美国与欧洲两个数据区同一价格，LiveKit 与 Pipecat 有参考实现。
价格与方案
每百万字符 15 美元，按发送的字符计费，含空格与标点。所有声音、语言、即时克隆、词级时间戳与两个数据区都包含在这一个价里。按量付费下并发不设上限，大用量可另谈承诺折扣。更细的发音控制与 SSML 类能力在官方路线图上，以文档更新为准。
总结与建议
语音合成这个赛道挤满了更自然的声音，TTS-1 换了个切入点：价格与并发条款。对做电话智能体的团队来说，真正决定项目能不能成立的是每通电话的成本，而不是 MOS 分差零点几。六种语言的覆盖还不算广，做多语种市场要先确认目标语种在不在首批名单里。
版本演进
- AssemblyAI-TTS-1 正式开放：90 毫秒、每百万字符 15 美元 （2026-10-27）：AssemblyAI 开放首个语音合成模型 AssemblyAI-TTS-1，生产环境首包音频 90 毫秒，实验室同客户端实测首字节中位 47 毫秒，生成速度每秒 162 个字符。每百万字符 15 美元，按量付费不限并发、无需年框，美国与欧洲两个数据区同价。声音库超 4000 个，支持 24 秒样本即时克隆，覆盖英西法德意葡六种语言。支持流式推流、打断取消与词级时间戳，提供 LiveKit 与 Pipecat 参考实现。Artificial Analysis Provider Voice Arena 1227 Elo 排第 12，Controlled Voice 第 10，发音鲁棒性 81.7% 第 16。