XNews

AssemblyAI 推出其首个文本转语音模型 AssemblyAI-TTS-1

AssemblyAI 推出其首个文本转语音模型 AssemblyAI-TTS-1

AssemblyAI 发布了其首个文本转语音模型 AssemblyAI-TTS-1,定价为每 100 万字符 15 美元。该模型在 Provider Voice Arena 中获得 1,227 的 Elo 评分,排名第 12;在 Controlled Voice Arena 中获得 1,110 分,排名第 10。它每秒生成 162 个字符,在 2,115 个已评分片段上的发音稳健性得分为 81.7%。

事件版本 1.

Key insights

Provider Voice Arena 排名

AssemblyAI-TTS-1 在 1,626 次竞技场亮相中获得 1,227 的 Elo 评分,排名第 12。它仅次于 Breeze TTS 2 的 1,228 分,领先于 Mistral 的 Voxtral 3 TTS(1,221 分)和 Inworld 的 Realtime TTS-2 Flash(1,218 分)。它在英语(美国)和英语(英国)两个类别中均排名第 12。

Controlled Voice Arena 排名

AssemblyAI-TTS-1 在 1,674 次亮相中获得 1,110 分,使用相同的 8 个克隆声音排名第 10。它落后于 Cartesia 的 Sonic 3.5(1,118 分),领先于 Speechify 的 Simba 3.2(1,086 分)。它在知识分享类别中排名第 6。

发音稳健性得分

AssemblyAI-TTS-1 在 2,115 个已评分片段中获得 81.7% 的得分,排名第 16。它落后于 HeyGen Voice 的 83.2%,领先于 Inworld Realtime TTS-2 的 80.7%。它在保留精确序列类别中以 81.5% 的得分排名第 6。

生成速度

AssemblyAI-TTS-1 每秒生成 162 个字符。这比 Cartesia 的 Sonic 3.6(每秒 148.6 个字符)和 Mistral 的 Voxtral 3 TTS(每秒 112.3 个字符)更快。

定价定位

AssemblyAI-TTS-1 定价为每 100 万字符 15 美元。在 Provider Voice 上排名高于它的十一个模型中,只有两个成本更低:Gemini 3.8 Flash-Lite TTS 为每 100 万字符 11 美元,Simba 3.2 为每 100 万字符 6.6 美元。Eleven v4 为每 100 万字符 80 美元,Sonic 3.6 为每 100 万字符 49 美元。

Source posts