O que é AssemblyAI-TTS-1?
AssemblyAI-TTS-1 é o primeiro modelo de texto para fala da empresa de transcrição, lançado em 27 de outubro de 2026 e disponível para todos desde o lançamento. Ele foi feito para agentes de voz em chamadas ao vivo: transmite o áudio em streaming, devolve marcações de tempo por palavra e aceita uma mensagem de cancelamento quando a pessoa interrompe.
A biblioteca tem mais de 4.000 vozes, e a clonagem instantânea cria uma voz nova a partir de uma gravação curta em poucos segundos, depois que você confirma o consentimento do falante. Ele fala inglês, espanhol, francês, alemão, italiano e português, com mais idiomas prometidos. A AssemblyAI diz que o modelo foi treinado com milhões de horas de áudio, incluindo conversas reais, e trabalha com áudio contínuo em vez de tokens discretos.
Um só preço cobre todas as vozes, vozes clonadas, marcações de tempo e processamento nos EUA ou na UE, sem faixas de concorrência nem mínimos.
Quanto custa AssemblyAI-TTS-1?
| Plano | Preço | O que inclui |
|---|---|---|
| Pay as you go | $15 per 1M characters | Todas as vozes, clonagem, processamento nos EUA ou na UE, concorrência ilimitada |
| Committed volume | Custom | Descontos para uso contratado |
US$ 15 por 1M de caracteres de entrada (espaços e pontuação contam), com vozes clonadas, marcações de tempo por palavra e processamento na UE incluídos; sem mínimos. Descontos por volume com compromisso.
AssemblyAI-TTS-1 vale a pena?
O AssemblyAI-TTS-1 tem preço pensado para ser a segunda compra óbvia de quem já usa a AssemblyAI para ouvir. A US$ 15 por milhão de caracteres, cerca de 81 centavos por hora de fala pronta, ele custa bem menos que os preços mínimos de US$ 40 da ElevenLabs e US$ 30 da Deepgram, nas contas da AssemblyAI, e a tarifa não muda para vozes clonadas, processamento na UE ou dez mil chamadas simultâneas.
Seus pontos fortes são os sem graça que importam numa ligação. No benchmark independente da Cekura, ficou em primeiro na leitura de números de telefone e códigos, com 91,7%, e em quarto em naturalidade. O teste da própria AssemblyAI coloca sua precisão com nomes, números e datas em 93,7%, empatada com o ElevenLabs v4 por um quinto do preço. A arena de ouvintes da Artificial Analysis o põe em 20º, com 1.212 de Elo, uma estreia respeitável, mas não de ponta.
O porém: os números de latência não batem, e a lista de recursos é curta. A AssemblyAI fala em 90 ms até o primeiro áudio em produção e 47 ms num teste de laboratório com um único cliente; a Cekura mediu 159 ms, oitavo de 19. Não há SSML, ajuste de velocidade, dicionário de pronúncia nem tags de emoção, são só seis idiomas e ainda não existe clonagem profissional ajustada.
Nossa opinião: é uma voz sensata para um agente que lê números de pedido para clientes da Europa Ocidental. Para um audiolivro ou uma voz de marca que precise interpretar, os mesmos US$ 15 compram modelos mais expressivos em outras posições do ranking.
Onde ele se destaca
Uma central de sinistros de seguro de carro que atende 2.000 ligações por dia
Ler números de apólice, datas e endereços sem que a pessoa precise pedir duas vezes
Combine o TTS-1 com o STT-3.7-Realtime-Agent pelo agente de referência do LiveKit. A cerca de 81 centavos por hora de fala, 1.000 horas de fala do agente por mês custam cerca de US$ 810.
A equipe de central de atendimento de um banco europeu
Manter a fala sintética dentro da UE por exigência de compliance
Aponte o cliente de streaming para o host da UE; a biblioteca de vozes e a clonagem funcionam lá pelos mesmos US$ 15 por milhão de caracteres.
Antes de decidir
- Configuração
- Envie texto em streaming pelo WebSocket de TTS ou chame o endpoint HTTP com o ID de uma voz da biblioteca; para clonar, envie uma gravação e confirme o consentimento, e a voz fica pronta em segundos.
- Integrações
- API da AssemblyAI com hosts nos EUA e na UE; agentes de referência para LiveKit e Pipecat; marcações de tempo por palavra e mensagem de cancelamento para interrupções.
- Dados e privacidade
- Sem pesos publicados. A política de dados da AssemblyAI cobre o áudio enviado às suas APIs; leia antes de clonar vozes de funcionários ou clientes.
- Custo em escala
- Um milhão de caracteres equivale a cerca de 18 horas de áudio a 15 caracteres por segundo, então 10.000 horas de fala custam cerca de US$ 8.100 antes de qualquer desconto por volume.
- Limites
- Só inglês, espanhol, francês, alemão, italiano e português. Sem SSML, controle de velocidade, dicionários de pronúncia, tags de emoção ou clonagem profissional no lançamento.
O que é bom
- US$ 15 por 1M de caracteres em tarifa única, com clones e processamento na UE
- Primeiro em números de telefone e códigos no benchmark da Cekura
- Concorrência ilimitada no pagamento por uso, sem contrato
- Marca ções de tempo por palavra e cancelamento por interrupção para agentes
O que não é
- Sem SSML, controle de velocidade, dicionário de pronúncia ou tags de emoção
- Seis idiomas no lançamento
- 20º na arena da Artificial Analysis, Elo 1.212
- Latência independente de 159 ms, longe dos 47 ms do laboratório
Ideal para
Equipes que operam agentes de voz por telefone em inglês ou nos principais idiomas da Europa Ocidental, principalmente as que já usam o reconhecimento de fala da AssemblyAI.
Alternativas ao AssemblyAI-TTS-1
AssemblyAI-TTS-1: perguntas frequentes
- AssemblyAI-TTS-1 vale a pena?
- Rápido, com preço justo e bom em ler números de telefone em voz alta, mas é uma primeira versão que ainda não tem os controles que uma equipe de voz em produção espera. Damos nota 3.9 de 5.
- Quanto custa AssemblyAI-TTS-1?
- US$ 15 por 1M de caracteres de entrada (espaços e pontuação contam), com vozes clonadas, marcações de tempo por palavra e processamento na UE incluídos; sem mínimos. Descontos por volume com compromisso.
- Quais são as desvantagens de AssemblyAI-TTS-1?
- Sem SSML, controle de velocidade, dicionário de pronúncia ou tags de emoção; seis idiomas no lançamento; 20º na arena da Artificial Analysis, Elo 1.212; latência independente de 159 ms, longe dos 47 ms do laboratório.
- Para quem AssemblyAI-TTS-1 é indicado?
- Equipes que operam agentes de voz por telefone em inglês ou nos principais idiomas da Europa Ocidental, principalmente as que já usam o reconhecimento de fala da AssemblyAI.
- Quanto custa AssemblyAI-TTS-1 para uma equipe ou em produção?
- Um milhão de caracteres equivale a cerca de 18 horas de áudio a 15 caracteres por segundo, então 10.000 horas de fala custam cerca de US$ 8.100 antes de qualquer desconto por volume.
- AssemblyAI-TTS-1 é seguro para dados da empresa?
- Sem pesos publicados. A política de dados da AssemblyAI cobre o áudio enviado às suas APIs; leia antes de clonar vozes de funcionários ou clientes.
- Quais são as melhores alternativas ao AssemblyAI-TTS-1?
- As alternativas mais próximas que analisamos são Inworld Realtime TTS-2 and TTS-2 Flash, Cartesia Sonic 3.6, Eleven v4 and v4 Turbo e Speechify Simba 3.5.
Respostas verificadas em 21 de nov. de 2026.