assemblyai-tts-1 : prix, langues et agents vocaux
AssemblyAI lance assemblyai-tts-1, un modèle TTS pensé pour les agents vocaux, avec prix au caractère et six langues au lancement.
AssemblyAI ajoute une brique text-to-speech à son offre avec AssemblyAI-TTS-1, son premier modèle TTS pensé pour les agents vocaux. L’entreprise le présente comme un service à faible latence, facturé au caractère, avec six langues prises en charge au lancement.
Pour une entreprise qui construit un assistant téléphonique, un agent de support ou une interface vocale temps réel, l’annonce est intéressante. Elle clarifie surtout trois points souvent sensibles : le prix, la concurrence et la résidence des données.
Ce qui change concrètement
AssemblyAI-TTS-1 est un modèle de synthèse vocale. Il transforme un texte en audio et vise en priorité les voice agents, c’est-à-dire des agents capables de parler avec un utilisateur dans une interaction fluide. Selon l’annonce officielle d’AssemblyAI, le modèle est disponible en disponibilité générale depuis le 27 octobre 2026.
Le positionnement est clair : AssemblyAI veut réduire les frictions d’intégration pour les usages en temps réel. L’entreprise affirme que le modèle peut commencer à diffuser l’audio en 90 ms. Cette donnée est importante pour les agents vocaux, car une voix qui répond trop tard donne vite une impression de latence, même si le contenu est correct.
Le prix affiché est de 15 $ par 1 million de caractères. La facturation se fait au caractère d’entrée. AssemblyAI précise qu’il n’y a pas de frais par voix, pas de frais de concurrence et pas de minimum sur le pay-as-you-go. Le prix inclut aussi toutes les voix, toutes les langues, le clonage instantané, les horodatages de mots et le traitement dans les régions US ou EU.
Autre point important : AssemblyAI annonce une concurrence illimitée, sans contrat annuel ni engagement de dépense. Pour un service client avec des pics d’appels, ce modèle peut simplifier les calculs de capacité. Il faut toutefois garder en tête que la consommation reste liée au volume de texte envoyé au TTS.
Les langues supportées au lancement sont l’anglais, l’espagnol, le français, l’allemand, l’italien et le portugais. AssemblyAI précise que les accents varient selon ces six langues, et que d’autres langues et accents doivent être ajoutés plus tard. Le clonage vocal instantané est également pris en charge au lancement. En revanche, le clonage vocal “Pro” affiné n’est pas encore disponible.
Comment l'essayer
Côté accès, il existe une nuance à surveiller. L’article officiel annonce une disponibilité générale au 27 octobre 2026. Mais la page produit Text-to-Speech API for Voice Agents mentionne aussi un accès par liste d’attente, avec invitation envoyée lorsqu’une place s’ouvre, et sans engagement requis pour l’accès anticipé. En pratique, il faut donc vérifier l’état d’accès au moment de créer ou d’utiliser son compte AssemblyAI.
Sur le modèle économique, AssemblyAI indique fonctionner en pay-as-you-go, sans contrats, sans minimums et sans abonnements mensuels dans sa FAQ d’accès API. Pour un test produit, c’est utile : tu peux évaluer un scénario sans t’engager sur un contrat annuel. Le tarif public communiqué pour AssemblyAI-TTS-1 reste celui de 15 $ par million de caractères.
Pour la France, AssemblyAI ne communique pas une disponibilité pays par pays dans les éléments publiés. Le point à retenir concerne plutôt l’infrastructure. La documentation indique une option EU Data Residency via le point d’entrée api.eu.assemblyai.com, hébergé sur AWS EU West 1, à Dublin. AssemblyAI précise aussi que le prix TTS inclut le traitement dans les régions US ou EU.
Si tu opères en Europe, ce paramètre doit être validé dès le début du projet. Il ne suffit pas de choisir un modèle performant : il faut aussi configurer le bon endpoint, documenter le parcours de données et vérifier les clauses applicables à ton usage.
Pour qui, et pour quoi faire
Le cas d’usage le plus évident est l’agent vocal de support client. Imagine une entreprise SaaS qui reçoit des appels sur des questions simples : réinitialisation de mot de passe, suivi de ticket, statut d’abonnement, aide à la prise en main. Un agent vocal peut comprendre la demande avec une brique speech-to-text, interroger une base de connaissances, puis répondre à voix haute avec AssemblyAI-TTS-1.
Dans ce scénario, le TTS n’est pas un gadget. Il conditionne l’expérience perçue. Une réponse utile, mais lue avec une voix peu naturelle ou une latence trop visible, peut dégrader la confiance. À l’inverse, une voix stable, disponible en français et capable de démarrer rapidement son flux audio améliore l’usage.
Le modèle peut aussi intéresser les équipes produit qui veulent vocaliser une application métier : assistant de terrain, outil de formation, coaching commercial, accueil téléphonique, qualification de leads ou suivi après-vente. Pour cadrer ce type de projet, le guide NXUS sur les cas d’usage d’agents IA par métier peut aider à prioriser les scénarios qui valent vraiment un prototype.
Le tarif au caractère est aussi lisible pour les équipes qui doivent construire un business case. On peut estimer le coût à partir du nombre moyen de réponses, de leur longueur et du volume d’interactions. C’est plus concret qu’un modèle avec frais par voix, seuils d’engagement ou options difficiles à isoler.
Limites et points de vigilance
Le premier point concerne la disponibilité réelle. Entre l’annonce de disponibilité générale et la page produit qui parle de liste d’attente, il peut exister un décalage selon les comptes, les régions ou les modalités d’accès. Avant d’intégrer AssemblyAI-TTS-1 dans une feuille de route, mieux vaut confirmer l’accès API effectif.
Deuxième point : les langues sont limitées à six au lancement. Le français est bien présent, mais les accents varient selon les langues, et AssemblyAI indique que d’autres accents arriveront plus tard. Pour un centre de contact multilingue, il faut tester les voix avec de vrais scripts métier, des noms propres, des acronymes et des formulations locales.
Troisième point : le clonage vocal instantané est disponible, mais pas le clonage “Pro” affiné. Si ton besoin porte sur une voix de marque très contrôlée, avec une signature sonore précise, cette limite peut compter.
Enfin, la latence annoncée de 90 ms porte sur le démarrage de la diffusion audio. L’expérience finale dépendra aussi du reste de la chaîne : reconnaissance vocale, orchestration de l’agent, appel au modèle de langage, récupération de contexte, réseau et téléphonie.
L'avis NXUS
AssemblyAI-TTS-1 est surtout intéressant par sa proposition simple : un prix public au caractère, des langues européennes dès le lancement, et une orientation claire vers les agents vocaux. Pour un projet professionnel, c’est une bonne base de comparaison avec d’autres API TTS.
Le bon réflexe est de prototyper sur un cas court, mesurable et fréquent, par exemple la réponse à cinq demandes client récurrentes. Mesure la latence de bout en bout, pas seulement la génération vocale.
Vérifie aussi la qualité en français avec tes propres contenus : jargon métier, chiffres, adresses, noms de produits et ton de marque. Et si tu traites des données européennes, documente dès le départ l’usage de l’endpoint EU et les règles internes de conformité.
Sources
Source : assemblyai.com
Rudy Molinillo
