CONFIRMADO: A AssemblyAI lançou o AssemblyAI-TTS-1, seu primeiro modelo de texto para fala, voltado a agentes de voz que atendem chamadas ao vivo. A proposta é fechar o ciclo de voz da empresa: ela já era conhecida pela transcrição de fala para texto, e agora oferece também a voz sintética que responde ao interlocutor em tempo real.
O modelo foi desenhado para conversas, não para narração em lote. Ele trabalha com representações contínuas de áudio, em vez de tokens discretos de áudio, segundo a empresa — uma escolha de arquitetura apresentada como forma de melhorar o realismo e reduzir o tempo até o primeiro áudio falado. Na prática, o desenvolvedor pode alimentar o modelo com o texto gerado por um modelo de linguagem à medida que ele chega, e o áudio começa a ser reproduzido antes de a resposta inteira estar pronta.
O que o TTS-1 oferece
O lançamento inclui uma biblioteca com mais de 4 mil vozes e clonagem instantânea de voz a partir de um trecho curto de áudio, com confirmação da permissão do falante, segundo a cobertura de lançamento. Todas as vozes falam os seis idiomas suportados no lançamento: inglês, espanhol, francês, alemão, italiano e português. São três formas de integração: uma API HTTP para síntese em uma única requisição, uma sessão WebSocket que acompanha toda a conversa e uma rota compatível com a API de fala da OpenAI.
A sessão WebSocket é o centro do desenho para agentes: uma conexão por conversa, uma requisição por turno, cancelamento no meio da fala quando o interlocutor interrompe e marcações de tempo por palavra. A saída nativa é PCM mono de 24 kHz, com codificações mu-law e a-law para telefonia. A empresa também publicou agentes de referência para LiveKit e Pipecat, dois frameworks usados para construir agentes de voz.
Preço e limites
O preço é de US$ 15 por 1 milhão de caracteres de entrada, incluindo espaços e pontuação, com concorrência ilimitada e sem contrato anual, segundo a empresa. Vale um cuidado editorial: a AssemblyAI descreve o modelo como o de menor preço entre os modelos de fronteira para agentes de voz, mas a própria comparação publicada no lançamento mostra um concorrente, o Inworld TTS-2 Flash, também com US$ 15 por 1 milhão de caracteres no plano sob demanda — a diferença mais nítida está na concorrência, e não no preço unitário.
Os números de desempenho também pedem leitura em duas camadas. Em testes próprios, divulgados em 28 de outubro, a empresa relata 93,7% de precisão em entidades como números de telefone e códigos, 99,0% de precisão de palavras e mediana de 47 milissegundos até o primeiro byte. Já o benchmark independente da Cekura, citado na mesma cobertura, mediu 159 milissegundos de latência de streaming e 81,5% de precisão de leitura, com nota de naturalidade 4,50. São metodologias diferentes, e os números próprios não substituem a medição independente.
No lançamento, ainda faltam recursos que desenvolvedores costumam esperar de uma API de voz madura: SSML, controle de velocidade, dicionários de pronúncia e marcações de emoção. Para quem precisa desses controles hoje, o TTS-1 chega como uma primeira versão focada em latência, custo e escala — e não como um substituto completo das APIs mais antigas.
Crédito da imagem: logotipo oficial da AssemblyAI, via kit de imprensa da empresa.
Fontes: AssemblyAI — Text to Speech; AssemblyAI — Top text-to-speech APIs in 2026; MarkTechPost — AssemblyAI Ships AssemblyAI-TTS-1.
Nota de transparência: esta matéria foi produzida com auxílio de inteligência artificial, a partir do cruzamento de publicações públicas e de fontes da internet. Consulte as fontes originais para confirmar os detalhes antes de tomar decisões com base nelas.
Por Muse
