¿Qué es AssemblyAI-TTS-1?
AssemblyAI-TTS-1 es el primer modelo de texto a voz de la empresa de transcripción, lanzado el 27 de octubre de 2026 y disponible para todos desde el primer día. Está hecho para agentes de voz en llamadas en directo: transmite el audio en streaming, devuelve marcas de tiempo por palabra y acepta un mensaje de cancelación cuando quien llama interrumpe.
La biblioteca tiene más de 4.000 voces, y la clonación instantánea crea una voz nueva a partir de una grabación corta en pocos segundos, una vez confirmas el consentimiento del hablante. Habla inglés, español, francés, alemán, italiano y portugués, con más idiomas prometidos. AssemblyAI dice que el modelo se entrenó con millones de horas de audio, incluidas conversaciones reales, y que trabaja con audio continuo en lugar de tokens discretos.
Un único precio cubre todas las voces, las voces clonadas, las marcas de tiempo y el procesamiento en EE. UU. o en la UE, sin niveles de concurrencia ni mínimos.
¿Cuánto cuesta AssemblyAI-TTS-1?
| Plan | Precio | Qué incluye |
|---|---|---|
| Pay as you go | $15 per 1M characters | Todas las voces, clonación, procesamiento en EE. UU. o la UE, concurrencia ilimitada |
| Committed volume | Custom | Descuentos por uso comprometido |
15 $ por cada 1M de caracteres de entrada (cuentan espacios y puntuación), con voces clonadas, marcas de tiempo por palabra y procesamiento en la UE incluidos; sin mínimos. Descuentos por volumen con compromiso.
¿Merece la pena AssemblyAI-TTS-1?
AssemblyAI-TTS-1 tiene un precio pensado para ser la segunda compra fácil de los equipos que ya usan AssemblyAI para escuchar. A 15 $ por millón de caracteres, unos 81 céntimos por hora de habla terminada, cuesta bastante menos que los precios mínimos de 40 $ de ElevenLabs y 30 $ de Deepgram, según lo plantea AssemblyAI, y la tarifa no cambia por usar voces clonadas, procesar en la UE o tener diez mil llamadas simultáneas.
Sus puntos fuertes son los aburridos que importan en una llamada. En la prueba independiente de Cekura quedó primero leyendo números de teléfono y códigos, con un 91,7%, y cuarto en naturalidad. La prueba de la propia AssemblyAI sitúa su precisión con nombres, números y fechas en el 93,7%, a la par de ElevenLabs v4 por una quinta parte del precio. La arena de oyentes de Artificial Analysis lo coloca en el puesto 20, con 1.212 Elo, un debut respetable más que destacado.
La pega: las cifras de latencia no coinciden y la lista de funciones es corta. AssemblyAI habla de 90 ms hasta el primer audio en producción y 47 ms en una prueba de laboratorio con un solo cliente; Cekura midió 159 ms, octavo de 19. No hay SSML, ni ajuste de velocidad, ni diccionario de pronunciación, ni etiquetas de emoción, solo seis idiomas y todavía no hay clonación profesional ajustada.
Nuestra opinión: es una voz sensata para un agente que lee números de pedido a clientes de Europa occidental. Para un audiolibro o una voz de marca que tenga que interpretar, los mismos 15 $ compran modelos más expresivos en otros puestos de la clasificación.
Dónde se gana su sitio
Una línea de siniestros de seguros de coche que atiende 2.000 llamadas al día
Leer números de póliza, fechas y direcciones sin que quien llama tenga que pedirlo dos veces
Combina TTS-1 con STT-3.7-Realtime-Agent mediante el agente de referencia de LiveKit. A unos 81 céntimos por hora de habla, 1.000 horas de habla del agente al mes cuestan unos 810 $.
El equipo de centro de contacto de un banco europeo
Mantener la voz sintética dentro de la UE por cumplimiento normativo
Apunta el cliente de streaming al host de la UE; la biblioteca de voces y la clonación funcionan allí al mismo precio de 15 $ por millón de caracteres.
Antes de decidirte
- Puesta en marcha
- Envía texto en streaming por el WebSocket de TTS o llama al endpoint HTTP con el ID de una voz de la biblioteca; para clonar una voz, sube una grabación y confirma el consentimiento, y estará lista en segundos.
- Integraciones
- API de AssemblyAI con hosts en EE. UU. y la UE; agentes de referencia para LiveKit y Pipecat; marcas de tiempo por palabra y un mensaje de cancelación para las interrupciones.
- Datos y privacidad
- No hay pesos publicados. La política de datos de AssemblyAI cubre el audio enviado a sus API; revísala antes de clonar voces de empleados o clientes.
- Coste a escala
- Un millón de caracteres equivale a unas 18 horas de audio a 15 caracteres por segundo, así que 10.000 horas de habla cuestan unos 8.100 $ antes de cualquier descuento por volumen.
- Límites
- Solo inglés, español, francés, alemán, italiano y portugués. Sin SSML, control de velocidad, diccionarios de pronunciación, etiquetas de emoción ni clonación profesional en el lanzamiento.
Lo bueno
- 15 $ por 1M de caracteres en tarifa plana, con clones y procesamiento en la UE incluidos
- Primero en números de teléfono y códigos en la prueba de Cekura
- Concurrencia ilimitada en pago por uso, sin contrato
- Marcas de tiempo por palabra y cancelación por interrupción para agentes
Lo malo
- Sin SSML, control de velocidad, diccionario de pronunciación ni etiquetas de emoción
- Seis idiomas en el lanzamiento
- Puesto 20 en la arena de Artificial Analysis, 1.212 Elo
- Latencia independiente de 159 ms, lejos de los 47 ms de laboratorio
Ideal para
Equipos con agentes de voz telefónicos en inglés o en los principales idiomas de Europa occidental, sobre todo los que ya usan el reconocimiento de voz de AssemblyAI.
Alternativas a AssemblyAI-TTS-1
AssemblyAI-TTS-1: preguntas frecuentes
- ¿Merece la pena AssemblyAI-TTS-1?
- Rápido, con un precio justo y bueno leyendo números de teléfono en voz alta, pero es una primera versión a la que aún le faltan los controles que espera un equipo de voz en producción. Le damos un 3.9 sobre 5.
- ¿Cuánto cuesta AssemblyAI-TTS-1?
- 15 $ por cada 1M de caracteres de entrada (cuentan espacios y puntuación), con voces clonadas, marcas de tiempo por palabra y procesamiento en la UE incluidos; sin mínimos. Descuentos por volumen con compromiso.
- ¿Qué inconvenientes tiene AssemblyAI-TTS-1?
- Sin SSML, control de velocidad, diccionario de pronunciación ni etiquetas de emoción; seis idiomas en el lanzamiento; puesto 20 en la arena de Artificial Analysis, 1.212 Elo; latencia independiente de 159 ms, lejos de los 47 ms de laboratorio.
- ¿Para quién es AssemblyAI-TTS-1?
- Equipos con agentes de voz telefónicos en inglés o en los principales idiomas de Europa occidental, sobre todo los que ya usan el reconocimiento de voz de AssemblyAI.
- ¿Cuánto cuesta AssemblyAI-TTS-1 para un equipo o en producción?
- Un millón de caracteres equivale a unas 18 horas de audio a 15 caracteres por segundo, así que 10.000 horas de habla cuestan unos 8.100 $ antes de cualquier descuento por volumen.
- ¿Es AssemblyAI-TTS-1 seguro para los datos de la empresa?
- No hay pesos publicados. La política de datos de AssemblyAI cubre el audio enviado a sus API; revísala antes de clonar voces de empleados o clientes.
- ¿Cuáles son las mejores alternativas a AssemblyAI-TTS-1?
- Las alternativas más cercanas que hemos analizado son Inworld Realtime TTS-2 and TTS-2 Flash, Cartesia Sonic 3.6, Eleven v4 and v4 Turbo y Speechify Simba 3.5.
Respuestas comprobadas el 21 nov 2026.