Segun MarkTechPost (AI/ML News), AssemblyAI ha puesto a disposición su primer modelo de síntesis de voz, AssemblyAI-TTS-1, como servicio en la nube. Este sistema permite transformar respuestas de agentes en voz para llamadas en vivo, optimizando así la experiencia del usuario. El modelo se ejecuta exclusivamente en servidores de la empresa, disponibles en regiones de Estados Unidos (us-east-1) y Europa (eu-north-1), sin opciones de implementación local o con pesos abiertos. Su funcionamiento se basa en representaciones continuas de audio, en lugar de fragmentos discretos, lo que según la empresa mejora la naturalidad del sonido y acelera el tiempo en que se escucha la primera palabra.
El costo establecido es de 15 dólares por cada 1 millón de caracteres, sin contratos anuales ni niveles de concurrencia adicionales. Esta fórmula permite acceso inmediato y escalable para desarrolladores que ya operan con los servicios de reconocimiento de voz de AssemblyAI. La integración simplifica el flujo de trabajo, cerrando el bucle entre captura de voz y generación de respuesta oral. En pruebas internas, el modelo alcanza un nivel de precisión en entidades vocales comparable al de ElevenLabs v4, pero a menos de un quinto del costo. La latencia promedio reportada por AssemblyAI en pruebas internas es de 47 milisegundos, siendo uno de los mejores entre seis modelos probados. Sin embargo, en un benchmark independiente de Cekura, la latencia máxima registrada alcanza los 159 milisegundos, posicionándose en el octavo lugar de un grupo de 19 modelos.
En cuanto a funcionalidades, el modelo actual no incluye características como control de velocidad, diccionarios de pronunciación o etiquetas emocionales. A pesar de estas limitaciones, ofrece una biblioteca de más de 4.000 voces y permite la creación inmediata de clonaciones de voz mediante una grabación breve y el consentimiento del hablante. Este proceso facilita la personalización de agentes virtuales para distintos sectores.
Para inversionistas y emprendedores peruanos, esta tecnología representa una oportunidad de modernizar servicios en contacto directo, como atención al cliente o soporte telefónico. En un contexto donde el 65% de las transacciones en línea en el Perú se realizan por teléfono, herramientas que reducen latencias y mejoran la claridad del tono de voz pueden aumentar significativamente la satisfacción del cliente. Además, al evitar costos fijos y contratos prolongados, el modelo se adapta bien a pequeñas empresas que buscan soluciones escalables sin grandes inversiones iniciales. La disponibilidad en regiones clave de América del Norte y Europa también facilita el acceso a usuarios en mercados vecinos, aunque la infraestructura local aún debe ser evaluada para su integración efectiva en el entorno peruano.