AssemblyAI wypuścił AssemblyAI-TTS-1, swój pierwszy model zamiany tekstu na mowę przeznaczony do obsługi agentów głosowych na żywych połączeniach telefonicznych, gdzie opóźnienie i prawidłowa wymowa są krytyczne dla utrzymania rozmówcy na linii. Model dostępny jest za 15 dolarów za milion znaków bez wymogu długoterminowych umów ani kupowania paczek współbieżności, oferując integrację w jedno API dla firm już używających serwisu speech-to-text AssemblyAI.
W testach AssemblyAI model osiąga medianę 47 ms do pierwszego bajtu - najszybszy wynik spośród sześciu porównywanych modeli - i dorównuje ElevenLabs v4 w dokładności wymowy nazw własnych i jednostek, jednocześnie kosztując piątą część ceny konkurenta. Model wykorzystuje ciągłe reprezentacje audio zamiast dyskretnych tokenów, co ma poprawiać naturalność brzmienia. Dostępny jest jedynie jako API w chmurze (w regionach us-east-1 i eu-north-1) dla klientów korzystających z HTTP lub WebSocket.
Jednak rozwiązanie ma istotne ograniczenia - brakuje mu obsługi SSML, kontroli tempa mowy, słowników wymowy czy tagów emocji. Niezależny benchmark Cekury plasuje TTS-1 na ósmej pozycji spośród 19 modeli pod względem latencji streamingowej (159 ms mediana), co sugeruje, że mimo imponującej łączności z pierwszym bajtem ogólny czas przesyłu może być dla niektórych zastosowań niewystarczający.