10 月 29 日，AssemblyAI 发布其首个面向语音智能体的文本转语音模型 AssemblyAI-TTS-1，定价为每 100 万字符 15 美元，官方称这一档位提供不设合约的无限并发，首发支持 6 种语言。这家以语音识别 API 起家的公司把 TTS 纳入产品线，目标是补齐语音智能体的输出侧。
不设合约的无限并发
定价方式本身是主要卖点。语音智能体在生产环境中的调用量波动极大，突发流量与长文本批量生成并存，固定并发配额或年度合约会让成本难以预测。按字符计费加上无限并发，让接入方可以直接按业务量估算账单。首发支持 6 种语言，语种覆盖范围相比主流 TTS 服务仍偏窄。
语音链路上游的识别环节竞争已经很激烈，价格被持续压低，输出侧则开始成为新的成本项。Gradium Phonon 开源端侧 TTS把 3100 万参数压到端侧运行、词错率 1.70%，为本地化部署提供了另一条路径；IBM Granite Speech 5.0 开源的英文词错率为 5.68%。
与自建方案的取舍
对自建团队来说，语音智能体的成本结构由三段构成：识别、合成与端到端延迟。AssemblyAI-TTS-1 的定位是把合成这段外包出去，用 API 换掉自研声学模型的人力与训练开销；端侧方案则相反，把成本变成一次性硬件投入。
需要留意的是每 100 万字符的计价口径下，长上下文语音合成的实际费用仍会随对话轮次放大。蚂蚁百灵开源语音模型之外，语音智能体在真实业务里的另一道门槛是延迟与并发峰值，这家把无限并发写进定价的模型，看的正是这一段。
延伸阅读
- 亚马逊 Bee AI 助手开售：$75 起，60% 推理跑在本地2 周前
- 小红书 FireRedTTS3 开源：统一语音生成与编辑，24 语种 21 种中文方言零样本克隆1 月前
- Audimind 有声书工具出海：个人版 19 美元/月，AI 配音覆盖全流程6 天前
- Gemini 3.8 Flash TTS 发布：30 秒复刻声音，支持 100 种语言1 月前
AI 自学笔记 每天更新 AI 前沿动态，订阅 RSS，或按 Ctrl/⌘+D 收藏本站，明天见。
继续读
同一批更新里这几篇值得一看：
- Edge0 开源 Audio8-TTS：0.6B 语音克隆支持 23 种语言2026-10-31
- Granola 上线语音听写：不限字数免费，估值 15 亿美元2026-10-30
- Deepgram 收购 Daily：Pipecat 语音框架保持开源2026-10-30
想快速查定义？对应的词条在这里：
- AI Agent词条 · AI 自学笔记