52 읽음
AssemblyAI-TTS-1, Eleven v4보다 5.3배 싸지만 청취 순위는 14위
위키트리
0
음성 인식(STT) 업체로 알려진 AssemblyAI가 첫 음성 합성(TTS) 모델 AssemblyAI-TTS-1을 10월 27일(현지시각) 정식 출시했다. 가격은 입력 글자 100만 자당 15달러다. 같은 단위로 ElevenLabs의 Eleven v4는 80달러여서 5.3배 저렴하다.
다만 블라인드 청취 평가 순위에서는 격차가 뚜렷하다. 전화 상담용 음성 에이전트를 겨냥한 제품이어서 실제 비교 대상은 v4가 아니라 더 싼 ElevenLabs 모델이라는 분석도 나온다. 가격, 음질, 기능, 지연 시간을 보도에 나온 수치대로 정리했다.
AssemblyAI-TTS-1은 공백과 문장부호를 포함한 입력 글자 수로 요금을 매긴다. 100만 자당 15달러 하나로 4,000개 이상의 음성 라이브러리, 출시 언어 전체, 즉석 음성 복제, 단어별 타임스탬프, 미국 또는 EU 처리까지 모두 쓸 수 있다. 음성별 요금과 동시 접속 등급, 연간 계약이 없다. 회사는 동시 통화가 10건이든 1만 건이든 글자당 가격은 같다고 밝혔다.
ElevenLabs는 모델별로 요금이 다르다. Eleven v4는 9월 28일 발표됐고 1,000자당 0.08달러, 즉 100만 자당 80달러다. Eleven v4 Turbo와 Flash v2.5는 100만 자당 40달러다. v4에 적용된 72% 출시 프로모션은 10월 12일 끝나 지금은 80달러가 실제 청구액이다.
AI 모델 라우팅 서비스 오르카라우터(OrcaRouter)의 비교 글은 전화 에이전트에 실제로 붙일 모델이 v4가 아니라 Turbo나 Flash v2.5라고 짚는다. 이 모델들과 비교하면 할인 폭은 2.7배로 줄어든다. 같은 글에 따르면 Cartesia의 Sonic 3.6은 100만 자당 49달러다.
비용을 시간 단위로 바꾸면 차이가 드러난다. 분당 900자(분당 150단어, 단어당 약 6자로 잡은 추정치이며 업체 수치가 아니다)를 기준으로 1시간 연속 발화는 약 5만 4,000자다. AssemblyAI-TTS-1은 약 0.81달러, Eleven v4는 4.32달러, Eleven v4 Turbo는 2.16달러가 든다.
3분짜리 통화 10만 건을 처리하면 30만 분, 약 2억 7,000만 자다. 비용은 AssemblyAI-TTS-1이 약 4,050달러, v4가 2만 1,600달러, Turbo가 1만 800달러다. Turbo와는 월 6,750달러, v4와는 월 1만 7,550달러 차이다.
Artificial Analysis의 Provider Voice Arena(업체별 기본 음성을 사람이 비교 청취하는 순위판)에서 10월 30일 기준 1위는 Eleven v4 Turbo로 1,336점이다. 2위 Eleven v4는 1,334점이다. AssemblyAI-TTS-1은 1,227점으로 14위다. 오르카라우터는 신뢰구간이 겹치지 않아 107점 차이가 오차가 아니라고 설명한다.
모든 모델에 같은 8개 복제 음성을 쓰게 하는 Controlled Voice Arena에서는 AssemblyAI-TTS-1이 1,110점으로 10위다. 복제 충실도를 따로 보는 평가다.
AssemblyAI가 직접 공개한 평가는 더 우호적이다. 전화번호와 코드 등 까다로운 대상 580개를 읽게 한 정확도(entity accuracy)는 AssemblyAI-TTS-1이 93.7%로 Eleven v4의 93.6%와 비슷했다. Cartesia Sonic 3.6은 82.5%, ElevenLabs Flash v2.5는 68.0%였다. 평가는 5개 모델과 영어 데이터 4종, 일치시킨 복제 음성 50개로 10월 28일 자 실험이다. 외부에서 재현된 수치는 아니다.
기능 차이는 순위보다 크다. 지원 언어는 영어·스페인어·프랑스어·독일어·이탈리아어·포르투갈어 6개로 Eleven v4의 90개 이상에 못 미친다. 음성 라이브러리는 4,000개 이상 대 1만 7,500개 이상이다. 음성 복제는 즉석 복제만 되고 시연에 쓴 샘플은 24초 분량이다. Eleven v4는 최소 10초 샘플의 즉석 복제에 전문가용 복제(Professional Voice Cloning)까지 지원한다.
AssemblyAI-TTS-1에는 SSML(발음·억양을 지정하는 마크업), 속도 조절, 발음 사전, 감정 태그가 없다. 휴지는 마크업이 아니라 프롬프트로 유도한다. Eleven v4는 [laughs], [whispers] 같은 인라인 오디오 태그를 겹쳐 쓸 수 있고 요청당 1만 자까지 받는다. 오르카라우터는 이를 두고 AssemblyAI가 전화선에 대화 한 턴을 빠르고 정확하게 읽어 주는 용도에 맞춰 스튜디오 기능을 뺐다고 풀이했다. 더빙이나 내레이션, 브랜드 전용 목소리가 목적이라면 후보가 되기 어렵다는 평가다.
AssemblyAI는 첫 오디오까지 걸리는 시간으로 속도를 내세운다. 운영 환경 기준 90ms, 자체 실험실 테스트의 첫 바이트 중앙값 47ms다. 같은 테스트에서 ElevenLabs Flash v2.5는 119ms, Cartesia Sonic 3.6은 143ms, Inworld TTS-2 Flash는 244ms, Inworld TTS-2는 280ms, ElevenLabs v4는 612ms였다. 6개 모델 중 가장 빠르다는 것이 회사 주장이다.
이 테스트는 프롬프트 30개를 3회 반복하고 모델별 기본 음성 4개로 한 번에 요청 하나씩 보냈다. 오르카라우터는 이 방식이 서비스가 아닌 모델 자체를 재는 것이어서 대기열과 동시 접속 경합, 네트워크 구간을 반영하지 못한다고 지적했다. 47ms와 90ms 사이 간격이 실험실에서 보이지 않는 현실의 부담에 가깝다는 설명이다. ElevenLabs는 자체 문서에서 Turbo의 첫 발화까지 중앙값을 약 150ms, 추론 지연을 약 100ms로 밝혔다.
독립 평가사 Cekura는 AssemblyAI-TTS-1의 스트리밍 지연 중앙값을 159ms로 쟀다. 측정한 19개 모델 중 8위다. 같은 평가에서 읽기 정확도는 81.5%로 Eleven v4의 80.4%와 비슷했다. 전화번호와 코드 부문은 91.7%로 1위, 자연스러움 점수는 4.50으로 4위였다.
경쟁 상대도 있다. 마크테크포스트에 따르면 Cekura 평가에서 Inworld TTS-2 Flash는 지연 45ms에 정확도 93.2%를 기록했고 가격은 같은 15달러다. 이 모델은 유료 플랜에서 7달러까지 내려간다. 다만 온디맨드 요금제의 동시 요청은 5건으로 제한된다. AssemblyAI-TTS-1은 종량제에서 동시 접속 제한이 없다.
AssemblyAI-TTS-1은 HTTP, WebSocket, OpenAI 호환 경로의 3가지 인터페이스를 제공한다. WebSocket에서는 취소 메시지로 사용자의 말 끊기(barge-in)를 처리한다. 출력은 모노 PCM과 뮤-law, A-law 형식으로 8kHz에서 48kHz까지 지원하며 기본은 24kHz PCM이다. LiveKit과 Pipecat 참고 에이전트도 공개됐다.
회사는 이 모델이 연속 오디오 표현을 쓴다고 설명한다. 대부분의 TTS가 오디오를 이산 토큰으로 다루는 것과 다르다는 것이다. 실제 대화 데이터를 포함한 수백만 시간의 오디오로 학습했다고 한다. AssemblyAI 클라우드 전용이어서 오픈 가중치나 온프레미스 옵션은 없고, 처리 지역은 미국과 EU다. 마크테크포스트는 기존 AssemblyAI STT 사용자에게는 한 업체로 음성 입출력을 묶을 수 있다는 점을 짚었다.
정리하면 선택은 용도로 갈린다. 통화량이 많고 읽기 정확도와 단가가 중요한 전화 에이전트라면 월 6,750달러 절감이 107점 격차를 감수할 만한지 따져 볼 일이다. 다국어, 감정 표현, 전문가용 복제가 필요하다면 가격과 상관없이 ElevenLabs 쪽이다. 6개 언어 이후 확장 일정은 공개되지 않았다.