AssemblyAI lança o tts-1: uma API de texto para fala de baixo custo para agentes de voz

A AssemblyAI lançou o AssemblyAI-TTS-1, seu primeiro modelo de texto para fala, agora disponível em geral. A API visa agentes de voz em chamadas telefônicas ao vivo, onde a latência e a pronúncia são críticas para manter o engajamento do chamador. Com um preço de US$ 15 por 1 milhão de caracteres, o modelo não exige contratos anuais nem taxas de concorrência. Isso fecha o ciclo de voz para os desenvolvedores que já utilizam os serviços de reconhecimento de fala da AssemblyAI. O TTS-1 é um modelo de streaming treinado em milhões de horas de áudio conversacional, utilizando representações de áudio contínuas em vez de tokens discretos, o que a AssemblyAI afirma melhorar o realismo e reduzir a latência. O lançamento inclui mais de 4.000 vozes, clonagem de voz instantânea e suporte para seis idiomas. Três interfaces estão disponíveis, incluindo uma rota compatível com a OpenAI, com saída em vários formatos de áudio. As métricas de desempenho de 28 de outubro de 2026 mostram que o TTS-1 alcança 81,5% de precisão na leitura e 4,50 de naturalidade no benchmark da Cekura. Também alcançou uma latência média de streaming de 159 ms. Embora o Inworld TTS-2 Flash tenha superado-o em algumas métricas, a AssemblyAI destaca seu preço competitivo e a ausência de taxas de concorrência como principais vantagens.