AssemblyAI lance une voix IA à 90 millisecondes pour concurrencer ElevenLabs et Cartesia
AssemblyAI lance son premier modèle de synthèse vocale, avec 90 ms de latence annoncée, 4 000 voix et un tarif de 15 $ par million de caractères.
Quarante-sept millisecondes pour recevoir les premiers octets d'une voix générée, et un tarif de 15 dollars par million de caractères. AssemblyAI, jusqu'ici principalement connu pour ses modèles de transcription audio, entre sur le marché de la synthèse vocale avec AssemblyAI-TTS-1. Le système cible les agents téléphoniques et les assistants conversationnels qui doivent répondre rapidement, prononcer correctement les informations sensibles et gérer de nombreuses conversations simultanées.
Le modèle est disponible commercialement, avec plus de 4 000 voix, un système de clonage vocal instantané et la prise en charge de six langues au lancement. AssemblyAI annonce également une absence de plafond contractuel sur le nombre d'appels simultanés en facturation à l'usage, sans engagement annuel. Une première réponse sonore annoncée en 90 millisecondes
Pour un agent conversationnel, la vitesse de synthèse vocale détermine en partie la fluidité de l'échange. Une pause trop longue entre la réponse calculée par le modèle de langage et le début de la parole peut donner l'impression d'un système automatisé rigide.
AssemblyAI distingue deux mesures de performance.
Dans son test comparatif, réalisé depuis un même client en interrogeant directement les API de six modèles, AssemblyAI-TTS-1 reçoit le premier octet audio en 47 millisecondes au temps médian.
Le modèle devance ElevenLabs Flash v2.5, mesuré à 119 ms, Cartesia Sonic 3.6 à 143 ms, Inworld TTS-2 Flash à 244 ms, Inworld TTS-2 à 280 ms et ElevenLabs v4 à 612 ms.
La valeur commerciale de 90 millisecondes correspond à une estimation plus prudente du délai avant le début de l'audio en production, tenant compte des conditions réseau et des régions de traitement.
Ce chiffre ne représente pas la latence complète d'un agent vocal. La reconnaissance de la parole, le raisonnement du modèle de langage, les appels d'outils et la transmission téléphonique peuvent ajouter leur propre délai.
L'entreprise indique avoir entraîné le modèle sur plusieurs millions d'heures d'audio, notamment des conversations réelles. Contrairement à certaines architectures qui génèrent la parole à partir de tokens audio discrets, AssemblyAI-TTS-1 utilise des représentations audio continues, présentées comme un moyen d'améliorer la qualité et de réduire le temps nécessaire à la production des premiers sons. Prononcer correctement les nombres, les codes et les adresses
La qualité d'une voix de synthèse ne dépend pas uniquement de son naturel. Lorsqu'un agent confirme un numéro de téléphone, un code de réservation ou une adresse électronique, une seule erreur de prononciation peut empêcher l'utilisateur de terminer sa démarche.
AssemblyAI a donc intégré des évaluations spécifiques portant sur les nombres, les dates, les URL, les abréviations et les codes.
Sur un ensemble de 580 phrases contenant chacune une difficulté de prononciation, AssemblyAI-TTS-1 obtient 93,7 % de cibles correctement prononcées, contre 93,6 % pour ElevenLabs v4, 82,5 % pour Cartesia Sonic 3.6 et 68 % pour ElevenLabs Flash v2.5.
Sur des phrases lues plus classiques, issues notamment de Seed-TTS et LibriSpeech, le modèle atteint 99 % de précision au niveau des mots.
Ces résultats sont calculés à partir de transcriptions de l'audio généré, et non uniquement à partir d'une appréciation humaine. La méthode permet une comparaison reproductible, mais reste dépendante du système de reconnaissance utilisé pour évaluer la sortie.
Le protocole de l'entreprise comprend également 500 interventions issues de conversations clients enregistrées, ainsi qu'un ensemble fixe de 50 voix clonées utilisées pour comparer les modèles dans des conditions similaires. Une voix naturelle, mais pas systématiquement la meilleure
L'évaluation du naturel vocal est plus subjective que la mesure d'une erreur de transcription.
AssemblyAI utilise notamment des modèles prédictifs de préférence auditive qui estiment la note qu'un panel d'auditeurs pourrait attribuer à un extrait.
Son nouveau modèle obtient 3,85 sur 5, devant Cartesia Sonic 3.6 à 3,82, ElevenLabs Flash v2.5 à 3,70 et ElevenLabs v4 à 3,67. Inworld TTS-2 Flash reste légèrement devant, avec 3,88.
Le modèle atteint également 85,5 sur 100 sur TTSDS, un indicateur comparant la distribution de la prosodie générée à celle d'enregistrements naturels. La similarité entre une voix clonée et son enregistrement de référence est mesurée à 0,64 dans les tests publiés.
Ces résultats ne permettent pas de désigner un meilleur modèle universel. Selon que l'application privilégie l'expressivité, la précision des chiffres, la fidélité d'un clonage ou la vitesse, les classements peuvent varier. Des évaluations indépendantes confirment une partie des performances
AssemblyAI s'appuie également sur des classements établis par des plateformes extérieures.
Dans le benchmark de Cekura, consacré à 104 phrases prononcées par 27 modèles, AssemblyAI-TTS-1 figure parmi les systèmes combinant le mieux vitesse et précision. Il arrive notamment en tête sur les numéros de téléphone et les codes, avec 91,7 % de réussite, et se classe quatrième sur le naturel vocal, avec une note de 4,50.
Sur le classement de Coval, le taux d'erreur par mot du modèle atteint 1,7 %, à 0,3 point du leader et légèrement devant certains modèles ElevenLabs et Cartesia évalués.
Les premiers résultats d'Artificial Analysis positionnent également AssemblyAI-TTS-1 parmi les dix premiers modèles de son arène à voix contrôlées, où plusieurs systèmes sont comparés à partir des mêmes voix clonées.
Ces observations externes apportent un éclairage complémentaire aux tests d'AssemblyAI, mais ne remplacent pas des essais sur de véritables conversations téléphoniques. Les performances perçues par les utilisateurs dépendent aussi du contexte de l'appel, des interruptions et de la qualité de l'ensemble de la chaîne vocale. Plus de 4 000 voix et un clonage réalisé en quelques secondes
Le catalogue d'AssemblyAI comprend plus de 4 000 voix, accessibles depuis son interface et son API.
La