已确认：AssemblyAI推出了AssemblyAI-TTS-1，这是其首个文本转语音模型，面向处理实时通话的语音智能体。此次发布补齐了该公司的语音闭环：它此前以语音转文字著称，如今也提供实时回应来电者的合成语音。
该模型面向对话而非批量旁白设计。据公司介绍，它使用连续音频表示而非离散音频标记，这种架构选择被认为可以提高真实感并缩短首段语音的等待时间。实际上，开发者可以在语言模型生成文本时将其输入模型，音频在完整回复生成之前就开始播放。
TTS-1提供什么
此次发布包括4000多个声音的语音库，以及通过简短音频片段实现的即时声音克隆，据发布报道，克隆需要确认说话者的许可。每个声音都支持发布时的六种语言：英语、西班牙语、法语、德语、意大利语和葡萄牙语。集成方式有三种：单次请求的HTTP API、贯穿整个对话的WebSocket会话，以及与OpenAI语音API兼容的接口。
WebSocket会话是智能体设计的核心：每次对话一个连接，每轮一个请求，来电者打断时可在说话中途取消，并提供逐词时间戳。原生输出为24 kHz单声道PCM，并提供电话系统使用的mu-law和a-law编码。公司还发布了面向LiveKit和Pipecat的参考智能体，这两个框架常用于构建语音智能体。
价格与局限
据公司介绍，定价为每100万个输入字符15美元，包括空格和标点，并发不限，无需年度合同。需要提醒的是：AssemblyAI称该模型是面向语音智能体的价格最低的前沿模型，但发布时公布的对比显示，竞争对手Inworld TTS-2 Flash按需价格同样为每100万字符15美元——更明显的区别在于并发能力，而非单价。
性能数据也需要分层看待。在公司10月28日的自有测试中，它报告实体准确率为93.7%（如电话号码和验证码），词准确率为99.0%，首字节中位时间为47毫秒。而同一报道引用的独立基准Cekura测得流式延迟为159毫秒，朗读准确率为81.5%，自然度为4.50。两者方法不同，自测数据不能替代独立测量。
发布时，成熟语音API常具备的一些功能仍缺失：SSML、语速控制、发音词典和情感标签。对于今天就需要这些控制的团队而言，TTS-1是一个聚焦延迟、成本和规模的首个版本，而非老牌API的完整替代品。
图片来源：AssemblyAI官方标志，经由公司新闻资料包发布。
来源：AssemblyAI — Text to Speech；AssemblyAI — Top text-to-speech APIs in 2026；MarkTechPost。
透明度说明：本文在人工智能辅助下制作，基于公开帖文和网络来源的交叉核查。在据此作出决策前，请查阅原始来源以确认细节。
By Muse
