AssemblyAI 첫 TTS 모델 TTS-1 출시 — 음성 에이전트 스트리밍, 100만 자당 15달러
공개 내용
AssemblyAI는 2026년 10월 29일 첫 텍스트 음성 변환(TTS) 모델 AssemblyAI-TTS-1을 정식 출시했습니다. 실시간 전화 통화에서 도는 음성 에이전트를 겨냥한 모델입니다. 에이전트 답변을 실시간 통화용 음성으로 바꾸는 스트리밍 모델이며, 실제 대화 데이터를 포함한 수백만 시간 분량의 오디오로 학습했습니다. 이산 토큰 대신 연속 오디오 표현을 쓴다고 AssemblyAI는 설명합니다.
이 출시의 의미는 듣기와 말하기의 통합에 있습니다. AssemblyAI는 음성 인식(STT) 업체로 알려져 있었습니다. 이번 TTS 출시로 듣기와 말하기를 한 업체, 한 API 키로 묶을 수 있게 됐습니다. 이미 AssemblyAI STT를 쓰는 개발팀에게는 음성 루프를 닫는 선택지가 생긴 셈입니다. 실시간 음성 에이전트 시장에서는 ElevenLabs, Cartesia, Inworld 같은 업체와 같은 가격대에서 경쟁하게 됩니다.
연결 방식과 출력 형식
연결 방식은 3가지입니다. 1회성 합성은 HTTP, 대화 전체 세션은 WebSocket, OpenAI 호환 경로도 있습니다. WebSocket 세션은 대화당 연결 1개를 유지하고, 말 끼어들기에는 취소 메시지로 대응합니다. 통화 중 사용자가 말을 가로챌 때 에이전트 음성을 멈추는 동작이 이 취소 메시지로 처리되는 구조입니다.
| 항목 | 내용 |
|---|---|
| 출력 형식 | 모노 PCM, mu-law, A-law |
| 샘플링 레이트 | 8kHz부터 48kHz까지 지원, 기본 24kHz PCM |
| 전화망 연결 | 8kHz mu-law를 직접 요청 가능 |
| 부가 정보 | 단어별 타임스탬프 제공 |
| 출시 언어 | 영어, 스페인어, 프랑스어, 독일어, 이탈리아어, 포르투갈어 (6개) |
| 음성 라이브러리 | 4,000개 이상, 짧은 녹음과 화자 허가 확인으로 즉시 음성 클론 생성 |
가격은 입력 문자 기준 100만 자당 15달러입니다. 연간 계약이 없고, 동시 접속 수에 별도 요금 구간이 없습니다. 통화량 급증 시 동시 접속 요금 구간이 없다는 점은 요금 설계에서 의미가 있습니다. 다만 AssemblyAI의 최저가 주장은 조건을 확인해야 합니다. Inworld TTS-2 Flash도 주문형 기준 100만 자당 15달러를 표기합니다. 실질 차이는 동시 접속 조건입니다. Inworld 주문형은 5건 동시 요청까지 허용합니다.
성능 수치의 간극
성능 수치는 출처에 따라 다르게 나왔습니다. AssemblyAI 자체 평가(10월 28일 기준)에서는 개체 정확도 93.7%, 첫 바이트까지 걸린 시간 중앙값 47ms를 기록했습니다. 비교 대상은 5개 모델, 4개 영어 세트, 50개 동일 클론 음성이었습니다.
독립 벤치마크(Cekura)에서는 다른 그림이 나왔습니다. 읽기 정확도 81.5%, 자연스러움 4.50, 스트리밍 지연 중앙값 159ms였습니다. 같은 벤치마크에서 Inworld TTS-2 Flash는 45ms, 93.2%를 기록했습니다.
첫 바이트 47ms는 AssemblyAI 자체 테스트, 스트리밍 지연 159ms는 Cekura의 독립 측정입니다. 측정 지점이 달라 단순 비교는 어렵습니다. 자기 통화 트래픽에서의 실측이 필요합니다.
도입 흐름
제약 사항
- 출시 시점 기능 누락 — SSML, 속도 조절, 발음 사전, 감정 태그가 아직 없습니다. 세밀한 발음 제어가 필요한 서비스에는 제약입니다.
- 한국어 미지원 — 출시 언어 6종에 한국어가 포함되지 않았습니다. 국내 서비스에 바로 쓰기는 어렵습니다.
- 지연 수치의 불일치 — 자체 수치와 독립 수치가 크게 벌어집니다. 벤치마크 수치만으로 도입을 결정하면 안 됩니다.
실무 시사점
실시간 음성 에이전트를 만드는 개발자에게 바로 쓸 수 있는 선택지가 하나 더 늘었습니다. STT를 이미 AssemblyAI로 쓰고 있다면 한 업체로 묶는 이득을 따져볼 만합니다. 다만 한국어 미지원과 출시 시점 기능 누락을 확인하고 도입 여부를 판단해야 합니다. 가격 비교에서는 100만 자당 단가보다 동시 접속 조건을 먼저 보는 것이 순서입니다. 통화량 급증이 예상되는 서비스라면 동시 접속 구간 없음이 단가와 별개의 장점이 됩니다.