AssemblyAI, sesli ajanlar için ilk metin-ses modeli TTS-1'i kullanıma sundu

AssemblyAI, canlı telefon görüşmelerinde çalışan sesli ajanlara yönelik ilk metin-ses modeli AssemblyAI-TTS-1'i genel kullanıma açtı. Şirketin açıklamasına göre model, 1 milyon karakter başına 15 dolar fiyatla ve eşzamanlı istek sayısında herhangi bir üst sınır olmadan sunuluyor.

AssemblyAI-TTS-1, ajan yanıtlarını gerçek zamanlı görüşmelerde sese çeviriyor. Şirket, modelin gerçek konuşma verileri de dahil milyonlarca saatlik sesle eğitildiğini bildirdi. Fiyatlandırma boşluk ve noktalama işaretleri dahil girilen karakter üzerinden hesaplanıyor; ses seçimi, klonlama, kelime zaman damgaları ve AB'de işleme aynı tarifeye dahil.

AssemblyAI TTS-1 neler sunuyor?

Lansmanla birlikte 4 binden fazla sesten oluşan bir kütüphane ve anlık ses klonlama geliyor. Klonlama için kısa bir kayıt ve konuşmacının izninin onaylanması gerekiyor; tanıtım yazısındaki klon 24 saniyelik ses kullanılarak oluşturuldu. Model lansmanda İngilizce, İspanyolca, Fransızca, Almanca, İtalyanca ve Portekizce olmak üzere 6 dili destekliyor.

Geliştiriciler modele HTTP API, WebSocket API ve OpenAI uyumlu bir yol üzerinden erişebiliyor. WebSocket oturumu görüşme başına tek bağlantı tutuyor ve kullanıcının sözü kesmesi (barge-in) için iptal mesajı kabul ediyor. Çıktı 8 kHz ile 48 kHz arasında mono PCM, mu-law veya A-law olarak alınabiliyor; yerel format 24 kHz PCM, telefon altyapıları doğrudan 8 kHz mu-law isteyebiliyor. Kelime zaman damgaları da çıktıya ekleniyor. AssemblyAI ayrıca LiveKit ve Pipecat için referans ajanlar yayımladı.

Benchmark sonuçları ne gösteriyor?

Şirketin 28 Ekim 2026 tarihli değerlendirmesine göre model, 50 eşleştirilmiş klon ses kullanılarak 4 İngilizce veri setinde 5 modelle karşılaştırıldı. Telefon numarası ve kod gibi 580 zorlu hedefte varlık doğruluğu yüzde 93,7 ölçüldü; bu oran ElevenLabs v4 için yüzde 93,6, Cartesia Sonic 3.6 için yüzde 82,5, ElevenLabs Flash v2.5 için yüzde 68,0. Kelime doğruluğu Seed-TTS ve LibriSpeech cümlelerinde yüzde 99,0, tahmini MOS 3,85 olarak kaydedildi. İlk bayta medyan süre 47 ms bildirildi; aynı testte Flash v2.5 119 ms, Sonic 3.6 143 ms, Inworld TTS-2 Flash 244 ms ölçüldü.

Bağımsız sonuçlar daha karışık. Cekura'nın 27 modeli kapsayan benchmark'ında TTS-1 yüzde 81,5 okuma doğruluğu ve 4,50 doğallık puanı aldı; son kelimenin gönderilmesinden itibaren ölçülen medyan akış gecikmesi 159 ms oldu. Aynı testte Inworld TTS-2 Flash 45 ms gecikme ve yüzde 93,2 doğruluk bildirdi; iki modelin de fiyatı 1 milyon karakter başına 15 dolar. AssemblyAI ayrıca Coval liderlik tablosunda yüzde 1,7 kelime hata oranına ve Artificial Analysis'in kontrollü ses arenasında ilk 10'a girişe işaret ediyor.

Fiyat ve rakiplerle karşılaştırma

AssemblyAI, TTS-1'i sesli ajanlar için en düşük fiyatlı öncü metin-ses modeli olarak tanımlıyor. Ancak Inworld TTS-2 Flash da isteğe bağlı kullanımda 1 milyon karakter için 15 dolar, ücretli planlarda 7 dolar fiyat listeliyor. Aradaki asıl fark eşzamanlılıkta: Inworld'un isteğe bağlı katmanı 5 eşzamanlı isteğe izin veriyor. AssemblyAI ise eşzamanlı istek sayısına sınır koymuyor. Model yalnızca AssemblyAI'nın ABD (us-east-1) veya AB (eu-north-1) bulutunda barındırılıyor; açık ağırlık ya da kendi sunucunda çalıştırma seçeneği bulunmuyor.

Neden önemli?

Sesli ajanlarda gecikme ve telaffuz, aramada kalıp kalmayacağını belirleyen iki unsur. AssemblyAI, hâlihazırda konuşma-metin hizmetini kullanan geliştiriciler için tek tedarikçiyle ses döngüsünü tamamlama imkânı sunuyor. Türkiye'deki geliştiriciler açısından bakıldığında modelin desteklediği 6 dil arasında Türkçe yer almıyor; Türkçe desteğinin ne zaman geleceğine ilişkin bir açıklama ise yapılmadı.

Modelin lansman sürümünde SSML, hız kontrolü, telaffuz sözlükleri ve duygu etiketleri henüz bulunmuyor. AssemblyAI'nın bu özellikleri hangi tarihte ekleyeceğine dair bir takvim paylaşılmadı.