先看证据
先补齐电话里的发声环节
AssemblyAI发布了AssemblyAI-TTS-1，这是公司首款文本转语音模型，面向需要在实时电话中把代理回复说出来的语音代理。它是托管API，不是可下载部署的模型；开发者可通过HTTP、WebSocket或OpenAI兼容接口调用，服务运行在AssemblyAI的美国或欧盟云区域。
这次发布值得技术负责人读，不是因为又多了一种声音，而是因为它把语音代理的输出环节接进了AssemblyAI已有的语音产品链路。对已经用其语音识别的团队，单一供应商意味着集成路径可能更短；但产品是否适合电话，仍取决于用户听到声音的时机、内容是否读对，以及用户插话时系统能否及时停下。
电话体验不能只看首字节
实时语音的延迟有多个计时起点。AssemblyAI报告的47毫秒，是其自测中的首字节中位数；Cekura报告的159毫秒是流式延迟，另测得首段音频P50为171毫秒。两者采用的指标和测试条件不同，不能直接判定谁对谁错，更不能把47毫秒当成用户从说完一句话到听见完整回复的时间。
准确率也呈现类似的评测边界。AssemblyAI自测实体准确率为93.7%，在580个电话号码、代码等难读目标上略高于其测试中的ElevenLabs v4的93.6%；它还报告词准确率99.0%。Cekura则给出TTS-1阅读准确率81.5%、流式延迟159毫秒，而Inworld TTS-2 Flash在该测试中为93.2%和45毫秒。结果并不支持“全面更快或更准”的结论，反而说明应先看测试口径，再看模型在自己的通话脚本和链路里的表现。
接口设计围绕插话和电话音频
TTS-1的WebSocket接口为一次对话保持连接，并支持取消消息。这让代理在用户打断时有办法终止尚未说完的回复；配合词级时间戳，系统还能记录用户实际听到了回复的哪一部分。AssemblyAI提供的LiveKit和Pipecat参考代理，也让团队能从现成的语音代理框架起步，而不必把所有通话控制逻辑从头搭建。
输出格式同样针对电话链路考虑：它支持单声道PCM、mu-law和A-law，采样率覆盖8至48 kHz，原生格式为24 kHz PCM，电话系统可以直接请求8 kHz mu-law。除英语外，首发还支持西班牙语、法语、德语、意大利语和葡萄牙语。材料没有提供六种语言各自的独立质量评测，因此“支持”只能说明接口覆盖范围，不能代替对口音、专名和目标语言通话质量的验证。
价格优势要放回同一张账单
TTS-1的标价是每100万字符15美元，按量付费方案不设并发档位，也不要求年度合同。这个价格确实明显低于材料列出的ElevenLabs Flash v2.5每百万字符40美元和v4的80美元；但Inworld TTS-2 Flash按需价格同为15美元。对采购而言，TTS-1的关键卖点不是“比所有选择都便宜”，而是价格、并发方案与现有AssemblyAI语音识别服务能否合成更简单的运营账单。
“无限并发”是AssemblyAI对方案的描述，不是任何负载下都不受容量或服务条件约束的保证。成本估算还应把空格和标点等计费字符、通话时长和实际代理回复量纳入计算。若团队需要特定发音、情绪表达或语速调节，低价也未必抵得过额外的文本处理或外部组件成本。
控制能力决定它能否进入生产
发布时，TTS-1不支持SSML、语速控制、情绪标签或自定义发音词典。标点和写出来的填充词仍会影响说话方式，但团队缺少专门参数去精细调整声音；自定义发音词典和情绪标签虽已宣布，但材料没有给出上线时间。它还只提供AssemblyAI云端部署，没有开放权重或本地部署选项，这会影响对数据驻留和运行环境有要求的团队。
因此，已有AssemblyAI语音识别链路的团队，可以把它作为快速补齐语音输出的候选方案，先用真实通话验证插话取消、专名读法和端到端首音频延迟。新建语音代理的团队，则应把它与其他候选放在同一组提示词、地区、语音和网络条件下比较，并确认所需控制项是否能由上游或其他组件补足。当前证据支持的是“值得进入试验清单”，不是“无需验证即可选型”。