AssemblyAI-TTS-1 语音模型评测：Provider Voice Arena 排名第 12

AssemblyAI 推出了首个文本转语音模型！AssemblyAI-TTS-1 在我们的 Provider Voice Arena 中跻身前 12，在 Controlled Voice 中跻身前 10。

@AssemblyAI 推出了首个文本转语音模型 AssemblyAI-TTS-1！我们在两个 Speech Arena 以及 Pronunciation Robustness 基准测试中评估了它的表现。

主要结论：

➤ 文本转语音，Provider Voice：AssemblyAI-TTS-1 在 1,626 次 Arena 对评中获得 1,227 的 Elo 评分，排名第 12，仅次于 Breeze TTS 2（1,228），领先于 Mistral 的 Voxtral 3 TTS（1,221）和 Inworld 的 Realtime TTS-2 Flash（1,218）。它在英语（美国）和英语（英国）两个榜单中均排名第 12。

➤ 文本转语音，Controlled Voice：AssemblyAI-TTS-1 在 1,674 次对评中获得 1,110 分，使用相同的 8 种克隆声音，排名第 10，仅次于 Cartesia 的 Sonic 3.5（1,118），领先于 Speechify 的 Simba 3.2（1,086）。它在 Knowledge Sharing 中排名第 6。

➤ 发音稳健性：AssemblyAI-TTS-1 在 2,115 个已评分片段中取得 81.7% 的得分，排名第 16，仅次于 HeyGen Voice（83.2%），领先于 Inworld Realtime TTS-2（80.7%）。它在 Preserving Exact Sequences 中以 81.5% 的得分排名第 6。

➤ 速度：AssemblyAI-TTS-1 每秒生成 162 个字符，快于 Cartesia 的 Sonic 3.6（148.6）和 Mistral 的 Voxtral 3 TTS（112.3）。

➤ 定价：AssemblyAI-TTS-1 的价格为每 100 万字符 15 美元。在 Provider Voice 中排名高于它的 11 个模型中，只有两个价格更低：Gemini 3.8 Flash-Lite TTS（每 100 万字符 11 美元）和 Simba 3.2（每 100 万字符 6.6 美元）。Eleven v4 为每 100 万字符 80 美元，Sonic 3.6 为每 100 万字符 49 美元。

在下方查看更多详情并试听样本 ⬇️