Zum Inhalt springen
ReviewRamble

Der wöchentliche Brief

KI im Test, in deinem Postfach.

  • Neue Tests von Tools, Modellen, MCP-Servern und Repos, mit dem Urteil vorneweg
  • Neu geprüfte Preise und Bewertungen, wenn sich etwas ändert
  • Neue Analysen, sobald sie erscheinen

Modelle, Agenten, MCP-Server und die Tools, die deine Zeit wirklich wert sind.

Eine E-Mail pro Woche. Abmelden kannst du dich über den Link in jedem Brief. Wie wir deine E-Mail-Adresse nutzen

AssemblyAI-TTS-1

AssemblyAIs erstes Sprachausgabemodell, für Telefon-Agents: pauschal 15 $ pro Million Zeichen, 4.000 Stimmen, sechs Sprachen und noch kein SSML.

Getestet von ReviewRamble editors · Aktualisiert

AssemblyAI-TTS-1 besuchen Nach Nutzung

Diese Seite teilen:XLinkedInFacebookRedditWhatsAppE-Mail

Unsere Bewertung

3.9/5

Schnell, fair bepreist und gut im Vorlesen von Telefonnummern, aber eine erste Version, der noch die Stellschrauben fehlen, die ein Voice-Team im Produktivbetrieb erwartet.

Was ist AssemblyAI-TTS-1?

AssemblyAI-TTS-1 ist das erste Text-to-Speech-Modell des Transkriptionsanbieters, veröffentlicht am 27. Oktober 2026 und vom Start an allgemein verfügbar. Es ist für Voice Agents in Live-Anrufen gebaut: Es streamt Audio, liefert Zeitstempel pro Wort und nimmt eine Abbruchnachricht an, wenn der Anrufer dazwischenredet.

Die Bibliothek umfasst mehr als 4.000 Stimmen, und das Instant Cloning erzeugt aus einer kurzen Aufnahme in wenigen Sekunden eine neue Stimme, sobald du die Einwilligung des Sprechers bestätigst. Das Modell spricht Englisch, Spanisch, Französisch, Deutsch, Italienisch und Portugiesisch, weitere Sprachen sind angekündigt. Laut AssemblyAI wurde es mit Millionen Stunden Audio trainiert, darunter echte Gespräche, und arbeitet mit kontinuierlichem Audio statt mit diskreten Tokens.

Ein einziger Preis deckt alle Stimmen, geklonte Stimmen, Zeitstempel und die Verarbeitung in den USA oder der EU ab, ohne Concurrency-Stufen oder Mindestumsatz.

Was kostet AssemblyAI-TTS-1?

TarifPreisWas enthalten ist
Pay as you go$15 per 1M charactersAlle Stimmen, Cloning, Verarbeitung in den USA oder der EU, unbegrenzte Concurrency
Committed volumeCustomRabatte bei zugesagter Nutzung

15 $ pro 1M Eingabezeichen (Leerzeichen und Satzzeichen zählen mit), inklusive geklonter Stimmen, Zeitstempel pro Wort und Verarbeitung in der EU; keine Mindestbeträge. Mengenrabatte bei fester Abnahme.

Lohnt sich AssemblyAI-TTS-1?

AssemblyAI-TTS-1 ist so bepreist, dass es für Teams, die AssemblyAI schon zum Zuhören nutzen, der naheliegende zweite Kauf ist. Mit 15 $ pro Million Zeichen, rund 81 Cent pro Stunde fertiger Sprache, liegt es deutlich unter den Einstiegspreisen von 40 $ bei ElevenLabs und 30 $ bei Deepgram, so jedenfalls AssemblyAIs Rechnung, und der Tarif ändert sich nicht für geklonte Stimmen, EU-Verarbeitung oder zehntausend gleichzeitige Anrufe.

Seine Stärken sind die unspektakulären, die am Telefon zählen. Im unabhängigen Benchmark von Cekura lag es beim Vorlesen von Telefonnummern und Codes mit 91,7 % auf Platz eins und bei der Natürlichkeit auf Platz vier. AssemblyAIs eigener Test beziffert die Genauigkeit bei Namen, Zahlen und Daten auf 93,7 %, gleichauf mit ElevenLabs v4 zu einem Fünftel des Preises. In der Hörer-Arena von Artificial Analysis steht es auf Platz 20 mit 1.212 Elo, ein respektables, aber kein führendes Debüt.

Der Haken: Die Latenzangaben widersprechen sich, und die Funktionsliste ist kurz. AssemblyAI nennt 90 ms bis zum ersten Audio im Produktivbetrieb und 47 ms in einem Laborlauf mit einem einzigen Client; Cekura maß 159 ms, Platz acht von 19. Es gibt kein SSML, keine Geschwindigkeitseinstellung, kein Aussprachewörterbuch und keine Emotions-Tags, nur sechs Sprachen und noch kein feinabgestimmtes professionelles Cloning.

Unser Fazit: Das ist eine vernünftige Stimme für einen Agent, der Anrufern in Westeuropa Bestellnummern vorliest. Für ein Hörbuch oder eine Markenstimme, die schauspielern muss, bekommt man für dieselben 15 $ anderswo auf der Rangliste ausdrucksstärkere Modelle.

Wo es sich lohnt

  • Eine Schadenhotline einer Kfz-Versicherung mit 2.000 Anrufen am Tag

    Policennummern, Daten und Adressen vorlesen, ohne dass der Anrufer zweimal nachfragen muss

    Kombiniere TTS-1 über den LiveKit-Referenz-Agent mit STT-3.7-Realtime-Agent. Bei rund 81 Cent pro Stunde Sprache kosten 1.000 Stunden Agent-Sprache im Monat etwa 810 $.

  • Das Contact-Center-Team einer europäischen Bank

    Synthetische Sprache aus Compliance-Gründen innerhalb der EU halten

    Richte den Streaming-Client auf den EU-Host; Stimmbibliothek und Cloning funktionieren dort zum selben Preis von 15 $ pro Million Zeichen.

Bevor du dich festlegst

Einrichtung
Streame Text über den TTS-WebSocket oder rufe den HTTP-Endpunkt mit der ID einer Bibliotheksstimme auf; zum Klonen eine Aufnahme hochladen und die Einwilligung bestätigen, nach Sekunden ist die Stimme bereit.
Integrationen
AssemblyAI-API mit Hosts in den USA und der EU; Referenz-Agents für LiveKit und Pipecat; Zeitstempel pro Wort und eine Abbruchnachricht für Unterbrechungen.
Daten und Datenschutz
Keine veröffentlichten Gewichte. AssemblyAIs Datenrichtlinie gilt für Audio, das an seine APIs geschickt wird; lies sie, bevor du Stimmen von Mitarbeitern oder Kunden klonst.
Kosten im großen Maßstab
Eine Million Zeichen entspricht bei 15 Zeichen pro Sekunde etwa 18 Stunden Audio, also kosten 10.000 Stunden Sprache vor Mengenrabatten rund 8.100 $.
Grenzen
Nur Englisch, Spanisch, Französisch, Deutsch, Italienisch und Portugiesisch. Zum Start kein SSML, keine Geschwindigkeitssteuerung, keine Aussprachewörterbücher, keine Emotions-Tags und kein professionelles Cloning.

Was gut ist

  • Pauschal 15 $ pro 1M Zeichen, inklusive Klone und EU-Verarbeitung
  • Platz eins bei Telefonnummern und Codes in Cekuras Benchmark
  • Unbegrenzte Concurrency bei Pay-as-you-go, ohne Vertrag
  • Zeitstempel pro Wort und Abbruch bei Unterbrechung für Agents

Was nicht

  • Kein SSML, keine Geschwindigkeitssteuerung, kein Aussprachewörterbuch, keine Emotions-Tags
  • Sechs Sprachen zum Start
  • Platz 20 in der Arena von Artificial Analysis, 1.212 Elo
  • Unabhängig gemessene Latenz von 159 ms, weit weg vom Laborwert von 47 ms

Am besten für

Teams mit Telefon-Voice-Agents auf Englisch oder in den großen westeuropäischen Sprachen, besonders solche, die schon AssemblyAIs Spracherkennung nutzen.

Alternativen zu AssemblyAI-TTS-1

AssemblyAI-TTS-1: häufige Fragen

Lohnt sich AssemblyAI-TTS-1?
Schnell, fair bepreist und gut im Vorlesen von Telefonnummern, aber eine erste Version, der noch die Stellschrauben fehlen, die ein Voice-Team im Produktivbetrieb erwartet. Wir bewerten es mit 3.9 von 5.
Was kostet AssemblyAI-TTS-1?
15 $ pro 1M Eingabezeichen (Leerzeichen und Satzzeichen zählen mit), inklusive geklonter Stimmen, Zeitstempel pro Wort und Verarbeitung in der EU; keine Mindestbeträge. Mengenrabatte bei fester Abnahme.
Welche Nachteile hat AssemblyAI-TTS-1?
Kein SSML, keine Geschwindigkeitssteuerung, kein Aussprachewörterbuch, keine Emotions-Tags; Sechs Sprachen zum Start; Platz 20 in der Arena von Artificial Analysis, 1.212 Elo; Unabhängig gemessene Latenz von 159 ms, weit weg vom Laborwert von 47 ms.
Für wen eignet sich AssemblyAI-TTS-1?
Teams mit Telefon-Voice-Agents auf Englisch oder in den großen westeuropäischen Sprachen, besonders solche, die schon AssemblyAIs Spracherkennung nutzen.
Was kostet AssemblyAI-TTS-1 für ein Team oder im Produktivbetrieb?
Eine Million Zeichen entspricht bei 15 Zeichen pro Sekunde etwa 18 Stunden Audio, also kosten 10.000 Stunden Sprache vor Mengenrabatten rund 8.100 $.
Ist AssemblyAI-TTS-1 sicher für Firmendaten?
Keine veröffentlichten Gewichte. AssemblyAIs Datenrichtlinie gilt für Audio, das an seine APIs geschickt wird; lies sie, bevor du Stimmen von Mitarbeitern oder Kunden klonst.
Was sind die besten Alternativen zu AssemblyAI-TTS-1?
Die nächsten Alternativen, die wir getestet haben, sind Inworld Realtime TTS-2 and TTS-2 Flash, Cartesia Sonic 3.6, Eleven v4 and v4 Turbo und Speechify Simba 3.5.

Antworten geprüft am 21. Nov. 2026.