AssemblyAI نخستین مدل تبدیل متن به گفتار خود را با نام AssemblyAI-TTS-1 به‌صورت عمومی در دسترس قرار داد. این مدل برای ایجنت‌های صوتی که روی تماس‌های تلفنی زنده کار می‌کنند طراحی شده و قیمت آن ۱۵ دلار در هر میلیون کاراکتر ورودی است — بدون قرارداد سالانه و بدون نیاز به خرید سطح هم‌زمانی.

دسترسی و معماری#

مدل فقط به‌صورت API ابری در دو منطقه US (us-east-1) و EU (eu-north-1) اجرا می‌شود. وزن‌های باز یا گزینه استقرار داخلی ندارد. سه رابط ارائه می‌شود: HTTP، WebSocket و مسیر سازگار با OpenAI. خروجی تک‌کاناله PCM، mu-law یا A-law با نرخ نمونه‌برداری ۸ تا ۴۸ کیلوهرتز است و قالب بومی ۲۴ کیلوهرتز PCM محسوب می‌شود. در زمان عرضه، ۴۰۰۰+ صدا، کلون‌سازی آنی (با نمونه ۲۴ ثانیه‌ای) و شش زبان انگلیسی، اسپانیایی، فرانسوی، آلمانی، ایتالیایی و پرتغالی پشتیبانی می‌شود.

عملکرد: خودگزارش در برابر مستقل#

AssemblyAI در ارزیابی داخلی (۲۸ اکتبر ۲۰۲۶) دقت موجودیت ۹۳.۷٪ و میانه زمان تا اولین بایت ۴۷ میلی‌ثانیه را گزارش کرده است. اما در بنچمارک مستقل Cekura روی ۲۷ مدل، میانه تأخیر استریمینگ ۱۵۹ میلی‌ثانیه و دقت خوانش ۸۱.۵٪ ثبت شد — رتبه هشتم از ۱۹ مدل زمان‌بندی‌شده.

قیمت و هم‌زمانی در مقایسه با رقبا#

Inworld TTS-2 Flash هم ۱۵ دلار قیمت دارد، اما در پلن on-demand فقط ۵ درخواست هم‌زمان مجاز است. تفاوت اصلی AssemblyAI-TTS-1 در هم‌زمانی نامحدود روی همان قیمت است. ElevenLabs Flash v2.5 با ۴۰ دلار و Cartesia Sonic 3.6 با ۳۷ تا ۵۰ دلار، گران‌تر هستند.

آنچه در زمان عرضه وجود ندارد#

  • پشتیبانی از SSML
  • کنترل سرعت گفتار
  • دیکشنری تلفظ
  • تگ احساسات

خوانش تحریریه: چه چیزی عوض می‌شود و چه چیزی نه#

اگر کسی همین حالا ایجنت صوتی روی خطوط تلفن می‌سازد، هم‌زمانی نامحدود در قیمت ۱۵ دلار واقعاً مهم است — چون در مقیاس‌های بالا، محدودیت ۵ درخواست هم‌زمان Inworld عملاً هزینه را چند برابر می‌کند و مجبور به خرید پلن می‌شوید. اما فاصله بین ۴۷ میلی‌ثانیه (خودگزارش) و ۱۵۹ میلی‌ثانیه (مستقل) نشان می‌دهد که برای سناریوهای حساس به تأخیر، هنوز باید خودتان روی ترافیک واقعی تست کنید. نبود SSML و کنترل سرعت هم یعنی اگر روی تلفظ خاص یا ریتم گفتار حساس هستید، فعلاً این مدل ابزار لازم را ندارد و باید از لایه‌های بالادستی جبران کنید.

منبع: MarkTechPost