AssemblyAI lanza tts-1: una API de texto a voz rentable para agentes de voz

AssemblyAI ha lanzado AssemblyAI-TTS-1, su primer modelo de texto a voz, que ahora está disponible para su uso general. La API está dirigida a agentes de voz en llamadas telefónicas en vivo, donde la latencia y la pronunciación son cruciales para mantener la atención del interlocutor. Con un precio de $15 por 1 millón de caracteres, el modelo no requiere contratos anuales ni tarifas de concurrencia. Esto cierra el bucle de voz para los desarrolladores que ya utilizan los servicios de transcripción de voz de AssemblyAI. TTS-1 es un modelo de streaming entrenado con millones de horas de audio conversacional, utilizando representaciones de audio continuas en lugar de tokens discretos, lo que, según AssemblyAI, mejora el realismo y reduce la latencia. El lanzamiento incluye más de 4.000 voces, clonación de voz instantánea y soporte para seis idiomas. Están disponibles tres interfaces, incluyendo una compatible con OpenAI, con salida en varios formatos de audio. Las métricas de rendimiento del 28 de octubre de 2026 muestran que TTS-1 obtiene una precisión de lectura del 81,5% y una naturalidad del 4,50 en el benchmark de Cekura. También logró una latencia de transmisión mediana de 159 ms. Si bien Inworld TTS-2 Flash superó a TTS-1 en algunas métricas, AssemblyAI destaca su precio competitivo y la ausencia de tarifas de concurrencia como sus principales ventajas.