一句话看懂：AssemblyAI 于 2026 年 10 月 29 日发布并正式上线其首个文本转语音模型 AssemblyAI-TTS-1，主打实时电话场景下的低延迟语音 Agent，定价为每百万字符 15 美元，且不限并发。
事件核心：发生了什么
AssemblyAI-TTS-1 以托管 API 形式提供，仅运行在 AssemblyAI 云端（美国 us-east-1、欧洲 eu-north-1），没有开放权重或本地部署选项，支持 HTTP 与 WebSocket 接入，另提供 OpenAI 兼容路由。WebSocket 会话可保持单连接并接受取消消息，以支持打断式对话（barge-in）。输出支持 8 kHz 到 48 kHz 的单声道 PCM、mu-law 或 A-law，原生格式为 24 kHz PCM，并附带词级时间戳。
发布内容包括 4000+ 声音库和即时克隆，克隆需短录音及说话人授权确认，发布示例使用 24 秒音频；首发支持英语、西班牙语、法语、德语、意大利语和葡萄牙语。据 AssemblyAI 自测（评估日期 2026 年 10 月 28 日），其在 580 个电话号码、验证码等难实体上的准确率为 93.7%，中位首字节时间 47 ms；但第三方 Cekura 基准测得其流式中位延迟为 159 ms，19 个计时模型中排第 8。
为什么重要
对已经在用 AssemblyAI 语音转文字服务的开发者来说，TTS-1 把“听”和“说”合并到同一个供应商，减少多厂商拼接与计费复杂度。价格策略也具攻击性：与 ElevenLabs Flash v2.5 的 40 美元、Cartesia Sonic 3.6 的 37 美元以上相比，15 美元且不限并发更容易进入批量外呼、客服机器人等成本敏感场景。同时，“连续音频表示”而非离散 token 的路线，值得观察能否在真实通话中形成稳定优势。需要说明的是，上述对比数字均出自各厂商或第三方特定测试条件，不能视为永久排名。
对用户/开发者/创作者的影响
开发者可用 HTTP、WebSocket 或 OpenAI 兼容接口快速接入，官方还提供了 LiveKit 与 Pipecat 参考 Agent，适合语音 Agent 原型验证。但当前尚不支持 SSML、语速控制、发音词典和情感标签，复杂播报与精细表达需求可能仍要另寻方案。多语言方面首发仅 6 种，明显少于竞品的数十甚至上百种语言覆盖。对内容创作者而言，即时克隆可用，但缺少“专业克隆”流程，品牌级声音资产管理能力有限。企业采购层面，美欧双区域托管降低了合规配置门槛，但无本地化部署是硬约束。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是独立基准中 159 ms 与官方 47 ms 的差距能否在真实电话链路里收敛；二是 SSML、情感标签、发音词典等缺失能力何时补齐，这决定其能否从客服外呼扩展到有声内容场景；三是 Unlimited 并发在大量客户同时上量后是否维持，以及竞品是否在价格与多语言上跟进。目前公开信息显示，以上评估均限定于 2026 年 10 月底的测试条件，实际体验仍需以真实接入结果为准。
