AssemblyAI 发布首个 TTS 模型 跻身语音竞技场前十
AssemblyAI 推出其首款文本转语音模型 AssemblyAI-TTS-1，在 Artificial Analysis 的 Provider Voice 和 Controlled Voice 基准测试中分别位列第 12 和第 10。该模型在发音鲁棒性方面表现稳健，且定价策略极具竞争力，显著低于多数头部竞品。
报道正文
Artificial Analysis (@ArtificialAnlys) · 2026-10-28 16
AssemblyAI 发布了其首个文本转语音（TTS）模型！AssemblyAI-TTS-1 在我们的 Provider Voice Arena 中跻身前 12 名，在 Controlled Voice 中进入前 10 名。
@AssemblyAI 发布了其首个文本转语音模型 AssemblyAI-TTS-1！我们在两个 Speech Arena 以及 Pronunciation Robustness 基准测试中评估了其性能。
关键要点：
➤ Text to Speech, Provider Voice：AssemblyAI-TTS-1 在 1,626 次竞技场对决中获得 1,227 的 Elo 分数，排名第 12 位，略低于 Breeze TTS 2（1,228），高于 Mistral 的 Voxtral 3 TTS（1,221）和 Inworld 的 Realtime TTS-2 Flash（1,218）。它在英语（美国）和英语（英国）类别中均排名第 12 位。
➤ Text to Speech, Controlled Voice：AssemblyAI-TTS-1 在 1,674 次对决中获得 1,110 分，使用相同的 8 个克隆声音排名第 10 位，落后于 Cartesia 的 Sonic 3.5（1,118），领先于 Speechify 的 Simba 3.2（1,086）。它在“知识分享”类别中排名第 6 位。
➤ Pronunciation Robustness：AssemblyAI-TTS-1 在 2,115 段评分音频片段中获得 81.7% 的得分，排名第 16 位，落后于 HeyGen Voice（83.2%），领先于 Inworld Realtime TTS-2（80.7%）。它在“保持精确序列”子项中以 81.5% 的得分排名第 6 位。
➤ 速度：AssemblyAI-TTS-1 每秒生成 162 个字符，快于 Cartesia 的 Sonic 3.6（148.6）和 Mistral 的 Voxtral 3 TTS（112.3）。
➤ 定价：AssemblyAI-TTS-1 的价格为每百万字符 15 美元。在 Provider Voice 排名高于它的 11 个模型中，只有两个价格更低：Gemini 3.8 Flash-Lite TTS（每百万字符 11 美元）和 Simba 3.2（每百万字符 6.6 美元）。Eleven v4 的价格为每百万字符 80 美元，Sonic 3.6 为每百万字符 49 美元。
更多详情及试听样本见下方 ⬇️
