AssemblyAI-TTS-1とは?
AssemblyAI-TTS-1は、文字起こしを手がける同社初のテキスト読み上げモデルで、2026年10月27日に公開され、当初から一般提供されています。ライブ通話の音声エージェント向けに作られており、音声をストリーミングし、単語ごとのタイムスタンプを返し、通話相手が割り込んだときにはキャンセルメッセージを受け付けます。
ライブラリには4,000種類を超える声があり、インスタントクローンでは話者の同意を確認すると、短い録音から数秒で新しい声を作れます。対応言語は英語、スペイン語、フランス語、ドイツ語、イタリア語、ポルトガル語で、今後増える予定です。AssemblyAIによると、モデルは実際の会話を含む数百万時間の音声で学習しており、離散トークンではなく連続した音声を扱います。
すべての声、クローンした声、タイムスタンプ、米国またはEUでの処理が1つの料金に含まれ、同時接続数による段階や最低利用額はありません。
AssemblyAI-TTS-1の料金は?
| プラン | 価格 | 内容 |
|---|---|---|
| Pay as you go | $15 per 1M characters | すべての声、クローン、米国またはEUでの処理、同時接続数無制限 |
| Committed volume | Custom | 利用量の確約による割引 |
入力100万(1M)文字あたり$15(スペースと句読点も数えます)。クローン音声、単語タイムスタンプ、EUでの処理を含み、最低利用額はありません。利用量を確約すると割引があります。
AssemblyAI-TTS-1は使う価値があるか?
AssemblyAI-TTS-1は、すでにAssemblyAIを「聞く」用途で使っているチームが気軽に追加できる料金設定です。100万文字あたり$15、完成した音声1時間あたり約81セントで、AssemblyAIの見立てではElevenLabsの最低$40、Deepgramの最低$30を大きく下回ります。クローン音声でも、EUでの処理でも、1万件の同時通話でも料金は変わりません。
強みは地味ですが、通話では重要な点です。Cekuraの独立ベンチマークでは電話番号やコードの読み上げで91.7%を記録して1位、自然さでは4位でした。AssemblyAI自身のテストでは、名前、数字、日付の正確さが93.7%で、5分の1の料金でElevenLabs v4と並びます。Artificial Analysisのリスナーアリーナでは1,212 Eloで20位と、首位争いではないものの手堅いデビューです。
注意点:レイテンシの数字が食い違い、機能も多くありません。AssemblyAIは本番環境で最初の音声まで90 ms、単一クライアントのラボ計測で47 msとしていますが、Cekuraの計測では159 msで19モデル中8位でした。SSML、速度設定、発音辞書、感情タグはなく、言語は6つだけで、ファインチューニングによるプロ向けクローンもまだありません。
結論:西欧の通話相手に注文番号を読み上げるエージェントには手堅い声です。演技が求められるオーディオブックやブランドボイスなら、同じ$15でランキング上のより表現力の高いモデルが使えます。
真価を発揮する場面
1日2,000件の電話を受ける自動車保険の事故受付窓口
証券番号、日付、住所を、相手に聞き返されずに読み上げる
LiveKitのリファレンスエージェントでTTS-1とSTT-3.7-Realtime-Agentを組み合わせます。音声1時間あたり約81セントなので、エージェントの発話が月1,000時間なら約$810です。
欧州の銀行のコンタクトセンターチーム
コンプライアンスのため合成音声をEU内にとどめる
ストリーミングクライアントの接続先をEUホストにします。声のライブラリもクローンも、そこで同じ100万文字あたり$15で使えます。
導入前に確認すること
- 導入
- TTSのWebSocketでテキストをストリーミングするか、ライブラリの声のIDを指定してHTTPエンドポイントを呼び出します。声をクローンするには録音をアップロードして同意を確認すれば、数秒で使えるようになります。
- 連携
- 米国とEUのホストを持つAssemblyAI API、LiveKitとPipecat向けのリファレンスエージェント、単語タイムスタンプと割り込み用 のキャンセルメッセージ。
- データとプライバシー
- 重みは公開されていません。AssemblyAIのデータポリシーはAPIに送られる音声に適用されます。社員や顧客の声をクローンする前に確認してください。
- 大規模利用時のコスト
- 1秒15文字で換算すると100万文字は約18時間の音声なので、10,000時間分の音声は割引前で約$8,100です。
- 制限
- 英語、スペイン語、フランス語、ドイツ語、イタリア語、ポルトガル語のみ。リリース時点ではSSML、速度調整、発音辞書、感情タグ、プロ向けクローンはありません。
良い点
- 1M文字あたり一律$15、クローンとEU処理込み
- Cekuraのベンチマークで電話番号とコードの読み上げ1位
- 従量課金で同時接続数無制限、契約不要
- エージェント向けの単語タイムスタンプと割り込みキャンセル
気になる点
- SSML、速度調整、発音辞書、感情タグがない
- リリース時点で6言語のみ
- Artificial Analysisのアリーナで20位、Elo 1,212
- 独立計測のレイテンシは159 msで、ラボ値の47 msとかけ離れている
おすすめの人
英語や西欧の主要言語で電話の音声エージェントを運用するチーム、特にすでにAssemblyAIの音声認識を使っているチーム。