AssemblyAI 首个文本转语音模型 AssemblyAI-TTS-1 上线 OpenRouter：15 美元每百万字符、面向语音代理

北京时间 10 月 29 日凌晨（UTC 时间 10 月 28 日 20:32），发帖宣布：AssemblyAI-TTS-1 已在该平台上线。按帖文表述，这是语音 AI 公司 AssemblyAI 的第一个文本转语音（Text-to-Speech，TTS）模型，主打语音代理（voice agents）场景。帖文转述基准机构 Cekura（X 账号 @cekuraAi）的基准结果称，该模型在速度与准确率两个维度落在最佳象限，并在定价不超过每百万字符 15 美元的模型中自然度最高；帖文同时写道，该模型提供 4,000 余个音色，可从美国或欧盟节点服务。

已同步上线并显示实际报价：每百万字符 15.00 美元，供应商为 AssemblyAI 自己。模型本体由 AssemblyAI 于 10 月 27 日在宣布正式可用（generally available）。需要说明：帖文中的排名与自然度说法均为 OpenRouter 转述的 Cekura 基准口径，本文未对其做独立复测。

模型页已就绪：两条线路，EU 路由是付费计划功能

帖文附带的「Try it now」链接指向，给出了这一直达链接，页面当前可正常访问。页面将模型描述为适用于语音代理、旁白配音与多语言应用。AssemblyAI 作为供应商列有两条服务线路，延迟分别为 0.17 秒和 0.36 秒，0.17 秒是最优线路的 P50（第 50 百分位）口径。

帖文所称「可从美国或欧盟节点服务」，在模型页上对应的是 EU 区域内路由选项：请求发往 eu.openrouter.ai 时在欧盟境内解密，只路由到欧洲（欧盟/欧洲经济区、英国和瑞士）的共享供应商端点；如果欧洲没有可用端点，请求会直接报错，而不是离开该区域。这一 EU 路由要求 OpenRouter 的 Business 或 Enterprise 计划，不是默认能力。AssemblyAI 博客补充了直连一侧的口径：其流式与 HTTP 端点各有一个美国主机和一个欧盟主机，音色库与声音克隆在两个区域都可用，价格相同。

Cekura 榜单：最佳象限成立，综合准确率第一另有其人

Cekura 的用同一批 104 句语音代理常用句测过 27 个模型。页面当前的散点图以流式延迟中位数为横轴、准确率为纵轴，更快且更准的左上区域被标注为「Best quadrant」（最佳象限），AssemblyAI TTS 1 目前画在这片区域内，与 OpenRouter 帖文「速度与准确率最佳象限」的说法一致。

但「最佳象限」不等于单项第一。Cekura 榜单可见条目中，综合准确率最高的是 Inworld TTS-2（93.4%，自然度 4.52，每百万字符 25 美元），其 Flash 版为 93.2%，同属 15 美元档；全场最低价则是。AssemblyAI 在博客里给出的 Cekura 口径数字是：电话号码与验证码子项排名第一（91.7%），阅读准确率 81.5%，高于榜单上所有 ElevenLabs 和 Deepgram 模型（最高的 ElevenLabs v4 为 80.4%），自然度 4.50 排第四——它自己也没有宣称全场自然度第一。OpenRouter 帖文「15 美元及以下档自然度最高」的说法无法从页面可见数据完整核对，本文核查时未能展开完整榜单；不过同为 15 美元档的 Inworld TTS-2 Flash 自然度为 4.46，低于 AssemblyAI 自报的 4.50，与该说法方向一致。

AssemblyAI 的六方对照：47 毫秒首字节，93.7% 实体准确率

AssemblyAI 博客称，模型在数百万小时音频（含真实对话数据）上训练，并直接在连续音频表征上工作，而不是像多数 TTS 模型那样把音频离散成 token（最小编码单元）——按其说法，这同时改善了拟真度并压低了首段音频的等待时间。这是厂商自述的技术解释，训练细节外界无从复核。

在其自办的六模型对照（对手为 Cartesia Sonic 3.6、Inworld TTS-2、Inworld TTS-2 Flash、ElevenLabs v4、ElevenLabs Flash v2.5，全部通过同一池 50 个克隆音色朗读相同文本）中：从同一客户端经各家 API 测得的首字节时间中位数，AssemblyAI-TTS-1 为 47 毫秒，随后是 ElevenLabs Flash v2.5 的 119 毫秒、Cartesia Sonic 3.6 的 143 毫秒、Inworld TTS-2 Flash 的 244 毫秒、Inworld TTS-2 的 280 毫秒、ElevenLabs v4 的 612 毫秒。博客给出的生产口径是 90 毫秒出首段音频；它与模型页上 0.17 秒的延迟不属同一测量点，后者多了一层聚合平台的转发。

准确率方面：在 Seed-TTS 与 LibriSpeech 两套英文集上词准确率 99.0%；在专门为难读内容设计的 580 句发音集（电话号码、日期、URL、验证码等，每句一个难点）上实体准确率 93.7%，对照 ElevenLabs v4 的 93.6%、Cartesia Sonic 3.6 的 82.5%、ElevenLabs Flash v2.5 的 68.0%。自然度用 UTMOSv2 等偏好预测模型估分，TTS-1 得 3.85（满分 5），略低于 Inworld TTS-2 Flash 的 3.88，高于 Cartesia Sonic 3.6 的 3.82；另有韵律真实性 TTSDS 85.5、克隆音色与参考录音的说话人相似度 0.64。以上均为 AssemblyAI 自办评测的结果。

按字符计费：官方称无并发上限，也不需要年度合同

价格是 AssemblyAI 主打的第二个卖点。模型按输入文本计费，每百万字符 15 美元，空格和标点计入；音色库全部音色、全部语言、即时声音克隆、词级时间戳以及美国或欧盟数据处理，都包含在同一单价里，不收单音色费和并发费，没有最低消费，承诺用量可谈批量价。博客称，这让 TTS-1 成为「面向语音代理的最便宜的前沿 TTS 模型」，也是唯一不需要年度合同就提供无限并发的——「最便宜」与「唯一」两个排他口径均出自 AssemblyAI 自己。

背景是语音代理的成本结构。博客称，已经解决自然度问题的团队正随通话量为 TTS 账单付费，这笔账「与语音代理本身的商业模型竞争」；它把并发表述为对团队的实际差别——10 路并发与 10,000 路并发走同一个 API、同一个单价，不需要为提并发去签约。

音色库与即时克隆：六种语言上线，SSML 还不支持

音色库有 4,000 多个声音，在控制台里按用例挑选；开发者也可以上传录音做即时声音克隆，博客中演示用的克隆音色只用了 24 秒音频，克隆音色与库内音色同价，上传前需确认已获说话人授权。语言支持英语、西班牙语、法语、德语、意大利语、葡萄牙语，各自带多种口音，博客称未来几周会加入更多语言和口音。

限制同样写明：上线时不支持「Pro」精调克隆；不支持 SSML（语音合成标记语言），也没有语速参数；自定义发音词典和情绪标签「即将推出」。目前模型按书写的标点和拼写发声——问号读出升调，写「嗯」就会说出「嗯」——博客建议直接让代理的大语言模型（LLM）在文本里写出停顿和犹豫。

语音栈的两端：转写端 9 月已入驻，出声端这次补上

AssemblyAI 与 OpenRouter 的合作此前只覆盖「听」的一端：9 月 22 日，其转写模型 Universal-3.5 Pro 上线 OpenRouter 的转写端点（模型字符串 assemblyai/universal-3-5-pro），每小时音频 0.45 美元、不加价，开发者用一把 OpenRouter 密钥即可调用（）。OpenRouter 自我定位是大模型的统一接口，据其 X 账号简介聚合 400 多个模型（含 50 多个免费模型）。

这次 TTS-1 上线后，语音代理「听」与「说」两端都能在 OpenRouter 上调用 AssemblyAI 的模型。尚待落地的是博客列出的几项：Pro 精调克隆、发音词典、情绪标签和更多语言都在「即将推出」清单上。对这套基准成绩，AssemblyAI 自己给出了一个限定：TTS 质量的最终裁判是真实通话里听众的偏好，只能在生产流量上测——它建议开发者拿一部分真实来电做对比，看通话完成率。

参考链接

OpenRouter 官方 X 账号宣布 AssemblyAI-TTS-1 上线的帖文：
OpenRouter 在该帖下的回复（直达链接）：
OpenRouter 模型页 AssemblyAI: TTS 1：
AssemblyAI 官方博客：Introducing AssemblyAI-TTS-1: text-to-speech built for voice agents：
Cekura 文本转语音基准：
Cekura 语音 AI 基准首页：
AssemblyAI 官方博客：Universal-3.5 Pro is now on OpenRouter：