AI宝库

AI宝库首页 › AI 资讯 › AssemblyAI ships AssemblyAI-TTS-1:每1M字符为

AssemblyAI ships AssemblyAI-TTS-1:每1M字符为一美元一美元一美元文本转语音 API用于语音Agents

来源:MarkTechPost · 发布时间:10-29 · 由 AI宝库每小时自动聚合

AssemblyAI拥有发布 AssemblyAI-TTS-1,它第一款用于语音的文本转语音模型。 每1M字符花费15美元,提供无限制的货币

AssemblyAI拥有发布 AssemblyAI-TTS-1,它的第一个文本转语音型号,现在普遍可以使用。 AssemblyAI-TTS-1 文本转语音 API针对语音agents在直播电话中运行。 在此设定中,发音和发音决定呼叫者是否留在线上。 每1M字符定价为15美元,没有年度合同,没有货币级可购买。 对于已经使用AssemblyAI 语音转文本的开发者,它会用一个供应商关闭语音回路。

TL; DR 数据

- 大小:这是一个主机API模型。

- 运行在:Assembly Assembly's cloud,在美国(US-East-1)或欧盟(eu-North-1). 没有开放权重或Prem选项。 HTTP或WebSocket工作的任何客户端。

- 性能:关于AssemblyAI测试中实体精度的ElevenLabs v4,低于其价格的1/5。

最佳:在AssemblyAI的API测试(自报)中

- 最糟糕的是:在Cekura的独立基准测试,19个定时型号中的第8位上,有159毫秒的中位流延。

- 底线:

- 最佳:每1M个有无限货币的字符15美元。

- 最糟的是:没有SSML,速度控制,发音词典或情感标记。

什么是Assembly-TTS-1? (英语).

AssemblyAI-TTS-1是一个来自AssemblyAI的流式文本转语音模型,将agent的回音变为现场通话的语音。 它接受了数百万小时的音频培训,包括真实的对话数据。 大多数TTS型号代表音频作为离散符号。 AssemblyAI 称 TTS-1则以连续的音频表示方式运作。 AssemblyAI 声称这个改进了现实主义,削减时间是先讲语音的。

发布包括一个拥有4000+个声音和即时语音克隆的图书馆。 克隆人需要一段简短的录音,并获得发言者的许可。 发布帖中的克隆人使用了24秒的音频。 发布支持六种语言:英语,西班牙语,法语,德语,意大利语和葡萄牙语。

开发者如何整合AssemblyAI-TTS-1?

共有3个接口:一款HTTP API,一款WebSocket API和OpenAI相容的路由。 WebSocket会话保持每次对话一个连接,并接受注销消息进行驳入。 输出为单PCM,mu-law或A-law,以8 kHz至48 kHz. 24 kHz PCM为本地格式;电话堆可以直接请求8 kHz mu-law. 包括文字时间戳。 AssemblyAI还出版了LiveKit和Pipecat参考版agents.

AssemblyAI-TTS-1在基准测试上的表现如何?.

AssemblyAI在4个英语集上对5个型号进行了TTS-1测试,使用了50个匹配的克隆声音。 以下所有数字均自报自2026年10月28日的Eval.

- 实体精度(580个硬目标,如电话号码和代码):93.7%,对ElevenLabs v4 93.6%,Cartesia Sonic 3.6 82.5%,ElevenLabs Flash v2.5 68.0%.

- 词精度:99.0%在种子-TTS和LibriSpeech句子上。

- 预想的MOS:3.85,后入世界TTS-2闪电3.88,先出索尼克3.63.82.

- 中间时间到第一个字节:47毫秒。 Flash v2.5取了119 ms, Sonic 3.6 143 ms, Inworld TTS-2 Flash 244 ms. (原始内容存档于2012-10-12).

- 其他:85.5 TTSDS回声分数和0.64 克隆音频的扬声器相似度。

独立结果比较好坏参半。 在Cekura的27个型号的基准测试上,TTS-1的读取精度为81.5%,自然性为4.50. 它的中位流流纬度从上个字发送时间为159毫秒。 Inworld TTS-2 Flash在那里贴出45ms和93.2%的精度,价格相同为15美元。 校对:Soup 在人工分析的受控语音竞技场

AssemblyAI-TTS-1与ElevenLabs,Cartesia和Inworld的对比如何?.

Cartesia 的幅度将每个计划价格除以其信用值,按每个字符1信用值计算。

AssemblyAI-TTS-1的费用是多少?

定价是每个输入字符,包括空间和平分,每1M有15美元。 每一个声音、克隆、文字时间戳和欧盟的处理都以同样的速度进行。 没有每张发票费、货币费或最低数额。 AssemblyAI称其为语音agents的最低价格前沿TTS模型。 然而,"Inworld TTS-2 Flash"也列出每1M按需15美元,在付费计划中降至7美元。 更尖锐的差别是货币:世界范围内的点播级允许5项同时请求。

关键外卖

- AssemblyAI-TTS-1是AssemblyAI的第一个文本转语音模型,为活口音agents所建。

- 每1M个字符花费15美元,无限额货币,没有合同。

- 自报:实体精度93.7%,第一字节中位数47毫秒。

- Cekura测得159毫秒流线性纬度和81.5%的读取精度。

- 在发布失踪:SSML,速度控制,发音词典和情感标记。

请检查access-date=中的日期值 (帮助) 发布站点,docs,定价,以及LiveKit和Pipecat参考文献 agents. 并加入我们的通讯。 等等,你在电报里吗?现在你也可以加入我们的电报。

需要和我们合作推广您的 GitHub Repo OR Hugging Face Page OR Product Release OR Webinar等吗?联系我们

米哈尔·萨特(Michal Sutter)是一名数据科学专业人员,拥有帕多瓦大学的数据科学硕士。 在统计分析、机器学习和数据工程的坚实基础上,Michal出色地将复杂的数据集转化为可操作的见解。

本文由 AI宝库自动抓取并翻译,版权归原作者所有;如需查看原文请点下方链接。

相关 AI 工具

相关免费羊毛

同源资讯

阅读原文(marktechpost.com)

标题、摘要与正文均来自该信源的公开页面,版权归原作者所有;本站自动聚合与翻译,仅作出处跳转。

← 返回 AI 资讯列表AI工具图鉴首页

返回 AI宝库首页 · 提交工具 · 商务合作 · 关于本站 · 597 款 AI 工具分类导航 · 每日 AI 热门项目与动态