AssemblyAI lance AssemblyAI-TTS-1, une API de synthèse vocale à 15 $ le million de caractères pour agents vocaux
AssemblyAI a lancé AssemblyAI-TTS-1, son premier modèle de synthèse vocale, désormais disponible pour tous. Cette API est conçue pour les agents vocaux déployés sur des appels téléphoniques en direct, et elle est facturée 15 dollars par million de caractères, sans contrat annuel ni palier de concurrence à acheter. Le modèle, uniquement accessible via le cloud d'AssemblyAI aux États-Unis (us-east-1) ou dans l'Union européenne (eu-north-1), ne propose ni poids ouverts ni déploiement sur site. Entraîné sur des millions d'heures d'audio, dont des conversations réelles, il s'appuie, selon l'entreprise, sur des représentations audio continues plutôt que sur des jetons discrets, ce qui améliorerait le réalisme et réduirait le délai avant les premiers sons. Le lancement s'accompagne de plus de 4 000 voix et d'un clonage instantané à partir d'un court enregistrement (24 secondes dans l'exemple présenté), avec confirmation de l'accord du locuteur. Six langues sont prises en charge : anglais, espagnol, français, allemand, italien et portugais. L'intégration passe par une API HTTP, une API WebSocket (une connexion par conversation, avec message d'annulation pour les interruptions) ou une route compatible OpenAI, avec une sortie PCM, mu-law ou A-law de 8 à 48 kHz et des horodatages par mot. Des agents de référence pour LiveKit et Pipecat sont publiés.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de MarkTechPost. Lire l'article original →
Les résultats publiés par AssemblyAI, datés du 28 octobre 2026 et portant sur 50 voix clonées, comparent TTS-1 à cinq modèles sur quatre jeux de données anglais. La précision sur 580 entités difficiles, comme des numéros de téléphone ou des codes, atteint 93,7 %, contre 93,6 % pour ElevenLabs v4, 82,5 % pour Cartesia Sonic 3.6 et 68,0 % pour ElevenLabs Flash v2.5. La précision par mot s'établit à 99,0 %, le MOS prédit à 3,85 (derrière Inworld TTS-2 Flash à 3,88) et le délai médian avant le premier octet à 47 ms, contre 119 ms pour Flash v2.5 et 244 ms pour Inworld. Les évaluations indépendantes sont plus nuancées : sur le banc d'essai de Cekura, TTS-1 obtient 81,5 % de précision de lecture, 4,50 en naturalité et une latence médiane de streaming de 159 ms, loin des 45 ms et 93,2 % d'Inworld TTS-2 Flash, au même prix.
Pour les équipes qui construisent des agents vocaux, l'enjeu est concret : au téléphone, une latence trop longue ou un numéro mal prononcé suffit à faire raccrocher l'appelant. En égalant ElevenLabs v4 sur les entités pour moins d'un cinquième du prix, et avec une concurrence illimitée, AssemblyAI propose une option économique, et les développeurs déjà clients de sa reconnaissance vocale peuvent boucler la chaîne avec un seul fournisseur. Les limites sont réelles : pas de SSML, de contrôle de vitesse, de dictionnaires de prononciation ni de balises d'émotion pour l'instant, et les meilleurs chiffres de latence restent auto-déclarés.
Ce lancement fait entrer AssemblyAI, jusque-là spécialiste de la transcription, sur un marché de la synthèse vocale en temps réel où se disputent ElevenLabs, Cartesia et Inworld, avec une pression forte sur les prix et la latence. L'entreprise cite aussi un taux d'erreur de 1,7 % sur le classement de Coval et une entrée dans le top 10 de l'arène à voix contrôlée d'Artificial Analysis. La suite dépendra de la capacité du modèle à confirmer ses performances dans des tests tiers et à combler rapidement les fonctions de contrôle manquantes.
Le modèle est hébergé dans l'UE (eu-north-1) et prend en charge le français, l'allemand, l'espagnol, l'italien et le portugais, ce qui permet aux équipes européennes de déployer des agents vocaux avec des données traitées dans l'Union.