AssemblyAI-TTS-1 vs. Breeze TTS 2: Ein Elo-Punkt Unterschied, 87 Punkte Unterschied

Setzt man AssemblyAI-TTS-1 und Breeze TTS 2 auf die Provider-Voice-Rangliste von Artificial Analysis, sind sie nicht zu unterscheiden: 1.227 gegen 1.228, ein Elo-Punkt, ein Platz auf der Leiter. Setzt man sie auf die Controlled-Voice-Rangliste – wo jedes Modell dieselben acht geklonten Stimmen spricht –, öffnet sich die Lücke auf 87 Punkte, 1.108 gegen 1.021, mit AssemblyAI auf Platz zehn und Breeze auf Platz achtundzwanzig. Beide Zahlen sind real, beide wurden am 30. Oktober 2026 abgelesen, und der Abstand zwischen ihnen ist das gesamte Argument dieses Vergleichs. Eines dieser Modelle hat einen starken Stimmkatalog um ein gewöhnliches akustisches Modell herum. Das andere hat ein starkes akustisches Modell um den niedrigsten Preis pro Zeichen in der Kategorie herum.

Was folgt, ist kein Münzwurf, der als Analyse verkleidet ist. Die beiden Produkte richten sich an unterschiedliche Käufer. AssemblyAI-TTS-1 ist eine gehostete API von einem Spracherkennungsunternehmen, das gerade seinen Ohren einen Mund hinzugefügt hat – proprietär, 15 US-Dollar pro Million Zeichen, sechs Sprachen, unbegrenzte Parallelität. Breeze TTS 2 ist ein Open-Weights-Modell mit 3 Milliarden Parametern von BreezeBlue, einem Startup mit fünfzehn Mitarbeitern, mit einem gehosteten Endpunkt für 34 US-Dollar pro Million Zeichen und einer Gewichtslizenz, die kommerzielles Selbst-Hosting verbietet. Die Ergebnisse liegen nahe genug beieinander, um interessant zu sein, und die Geschäftsmodelle könnten kaum unterschiedlicher sein.

Zwei Zahlen vor jeglichem anderen Teil davon.

Artificial Analysis führt seine Blindhörtests fortlaufend durch, und die Ranglisten verschieben sich unter den Modellen. Breeze TTS 2 debütierte im August mit 1.215 Elo und Gesamtrang sechs und galt zu diesem Zeitpunkt als bester Open-Weights-Eintrag. Zwei Monate und ein Dutzend Markteinführungen später steht es bei 1.228 und Rang dreizehn – eine höhere Punktzahl und ein schlechterer Rang, weil das Feld sich über ihm aufgefüllt hat. AssemblyAI-TTS-1 kam am 27. Oktober mit 1.227 und Rang zwölf und stand zwei Tage später bei identischer Punktzahl auf Rang vierzehn. Wer einen Rang aus einer Launch-Meldung ohne Datum zitiert, zitiert eine veraltete Angabe.

Anbieterstimme (native Stimmen) — AssemblyAI-TTS-1 1.227, 14. Platz; Breeze TTS 2 1.228, 13. Platz

• Kontrollierte Stimme (acht gemeinsam genutzte geklonte Stimmen) — AssemblyAI-TTS-1 1.108, 10.; Breeze TTS 2 1.021, 28.

• Preis pro Million Zeichen — 15 $ vs. 34 $

• Stimmen — über 4.000 Stimmen aus der Bibliothek plus sofortiges Klonen vs. aus einer Textbeschreibung entworfene Stimmen sowie eine Begleitbibliothek mit 15.000 Stimmen

• Gewichte — keine, nur API vs. herunterladbar, aber ausschließlich für Forschung/nicht kommerziell

• Sprachen — sechs zum Start vs. 50 behauptete, Modellkarte mit Englisch und Chinesisch getaggt

• Durchsatz — 162 Zeichen pro Sekunde gegenüber etwa 45

Der Split „kontrollierte Arena“ ist der, den man verinnerlichen sollte, denn er ist die einzige Messung in diesem Vergleich, die eine Variable konstant hält. Bei „Provider Voice“ kann jedes Modell seine eigenen Stimmen wählen, sodass ein Modell mit 15.000 handgestalteten Charakteren eher beim Casting als bei der Akustik gewinnen kann. „Controlled Voice“ nimmt das weg. Breeze verliert 207 Elo, wenn seine eigenen Stimmen nicht mehr zur Verfügung stehen; AssemblyAI verliert 119. Wenn die Stimme festgelegt ist, ist Breeze kein Thema mehr – Platz 28 – und AssemblyAI ist weiterhin unter den Top Ten.

Warum der Gleichstand beim Blindhören ein Trugbild ist

Die Anbieter-Rangliste ist ein Beliebtheitswettbewerb zwischen Modellen, von denen jedes seine beste Stimme einbringen darf, und Breeze bringt eine Menge davon mit. BreezeBlues Verkaufsargument ist Voice-Design: Man beschreibt eine Figur in natürlicher Sprache, und das Modell synthetisiert eine dazu passende Klangfarbe; anschließend trennt Voice Direction die Vortragsweise von der Identität, sodass man nach „geflüstert“ oder „gehetzt“ fragen kann, während der Sprecher erkennbar dieselbe Person bleibt. Die dazugehörige Bibliothek Voice Galaxy umfasst mehr als 15.000 Charakterstimmen. Das ist die Art von Katalog, die einen Blindpräferenztest gewinnt, und zugleich die Art von Katalog, die einem nichts darüber verrät, was passiert, wenn man einem der beiden Modelle einen Referenzclip gibt und es bittet, in dieser Stimme zu sprechen.

Gib beiden Modellen eine geklonte Stimme, und das Bild kippt. Das ist es, was die kontrollierte Arena bewirkt, und hier stimmen die eigenen Zahlen des Anbieters mit den unabhängigen überein. Breeze meldet 0,67 Sprecherähnlichkeit für seine Klone; AssemblyAI meldet 0,64. Keines davon ist beeindruckend, und der Unterschied zwischen ihnen liegt im Rauschen. Was nicht im Rauschen liegt, ist die Elo-Lücke von 87 Punkten auf derselben Rangliste. Wenn dein Produkt eine unverwechselbare Stimme braucht, die du selbst entworfen hast, sind Breezes Design-Tools genau die Funktion, auf die es ankommt, und seine Schwäche in der kontrollierten Arena ist genau das Risiko — das Modell kann eine Stimme einsetzen, die es selbst erzeugt hat, und es ist weniger zuverlässig dabei, eine von dir erzeugte Stimme zu halten.

Was der Preis tatsächlich kauft

$15 gegenüber $34 ist auf Listenpreisbasis ein 2,3-facher Unterschied, und er wird größer oder kleiner, je nachdem, wie abgerechnet wird. AssemblyAI berechnet pro Eingabezeichen, einschließlich Leerzeichen und Satzzeichen, und beinhaltet alle Stimmen der Bibliothek, jede unterstützte Sprache, sofortiges Klonen, Wort-Zeitstempel und Verarbeitung in den USA oder der EU zu einem einheitlichen Tarif – ohne Obergrenze für Parallelität bei Pay-as-you-go. Breezes gehosteter Endpunkt kostet $34 pro Million Zeichen auf derselben Zeichenbasis, und die kostenlosen Gewichte ändern daran für kommerzielle Nutzer nichts – die Lizenz erstreckt sich sowohl auf selbst gehostete Ausgaben als auch auf die Gewichte selbst.

Rechnet man mit einem echten Skript nach, liegt die Lücke bei etwa einem Dollar pro fertiger Stunde Audio bei normalem Sprechttempo: rund 81 Cent bei AssemblyAI gegenüber rund 1,84 Dollar bei Breeze, basierend auf der üblichen Schätzung von 15 Zeichen pro Sekunde. Für ein Unternehmen, das monatlich hunderttausend Stunden Agentensprache erzeugt, ist das der Unterschied zwischen 81.000 und 184.000 Dollar — und es ist ein Unterschied, den Sie für Voice-Design-Tools bezahlen, die Sie vielleicht nie nutzen, und für eine Open-Weights-Story, auf deren Grundlage Sie vielleicht nicht handeln dürfen.

Die Lizenz ist die Weggabelung, und für Breeze weist sie in die falsche Richtung.

Offene Gewichte sind normalerweise das Argument, das einen Vergleich wie diesen beendet: herunterladen, auf der eigenen Hardware laufen lassen, aufhören, pro Zeichen zu zahlen. Dieses Argument übersteht den Kontakt mit der Lizenz von Breeze TTS 2 nicht. Der Inferenzcode steht unter Apache 2.0; die Gewichte und sämtliche Ausgaben einer selbst gehosteten Bereitstellung fallen unter eine Lizenz für Forschung und nichtkommerzielle Nutzung, die sich auf Derivate, LoRAs, Merges und Quantisierungen erstreckt. Kommerzielles Self-Hosting erfordert eine Genehmigung von BreezeBlue. In der Praxis ist die gehostete API der kommerzielle Weg, was bedeutet, dass das Open-Weights-Gütesiegel dir Einsicht, Experimente und einen Ausweg verschafft, den du aushandeln musst – keinen günstigeren Produktionsweg.

Vergleichen Sie das mit AssemblyAI-TTS-1, das überhaupt keine Gewichte und nicht einmal den Anschein von Offenheit bietet. Es ist ein gehosteter Dienst mit einer veröffentlichten Preisliste und einer Wahl beim Datenstandort. Für einen Käufer, der zwischen den beiden entscheiden muss, lautet die Frage nicht „offen oder geschlossen“, sondern „möchte ich eine Forschungslizenz unterzeichnen und über das Recht verhandeln, ein 3B-Modell selbst zu betreiben, oder möchte ich eine Abrechnung pro Zeichen, die ich planen kann?“ Die Größe von 3B ist wirklich praktikabel – etwa 7,7 GiB VRAM in der Eager-Konfiguration, eine 12-GB-GPU als angegebenes Minimum, ein Echtzeitfaktor von 0,32 auf einer H100, also rund dreimal schneller als Echtzeit auf der Hardware, die BreezeBlue gemessen hat. Es ist die kleinste glaubwürdige Self-Host-Lösung in dieser Kategorie. Es ist nur leider kein Self-Host, den die meisten Unternehmen legal nutzen können.

Das, was die Elo-Boards nicht messen

Beim Durchsatz ist der Vorteil von AssemblyAI kein Rundungsfehler mehr. Artificial Analysis hat für AssemblyAI-TTS-1 162 Zeichen pro Sekunde gemessen, gegenüber etwa 45 bei Breeze TTS 2 – ein 3,6-facher Unterschied darin, wie schnell das Modell Text in Audio verwandelt. Bei einem Batch-Job ist das ein Unterschied in der Warteschlangenlänge. Bei einem Live-Agent ist es der Unterschied zwischen einem Modell, das mit einer schnell sprechenden Person mithalten kann, und einem, das dazu nicht in der Lage ist. Breezes Antwort darauf ist sein Streaming-Pfad, der laut eigenen Angaben unter 40 ms Time-to-First-Audio erreicht; unabhängige Messungen beziffern die p50-Zeit bis zum ersten Byte auf nahe 119 ms und die Zeit bis zum ersten Audio auf nahe 134 ms, mit einem 95. Perzentil von rund 163 ms. Die vergleichbaren unabhängigen Zahlen von AssemblyAI sind dünner – ein Labor, 159 ms mittlere Streaming-Latenz –, daher sollte man beide Latenzangaben als näher beieinander betrachten, als es die Schlagzeilen der jeweiligen Anbieter nahelegen.

Bei der Genauigkeit bei schwierigen Zeichenfolgen ist der Abstand alles andere als knapp. Die Anbieter-Evaluation von AssemblyAI beziffert die Entitätsgenauigkeit bei Telefonnummern, URLs, Codes und Arzneimittelnamen auf 93,7 % – gegenüber 82,5 % für Cartesia Sonic 3.6 und 68,0 % für ElevenLabs Flash v2.5. In dieser Tabelle gibt es keinen Breeze-Wert. Breeze hat nie einen entsprechenden Wert veröffentlicht, und die Modellkarte erhebt keinen solchen Anspruch. Wenn Ihr Agent Bestellnummern bestätigt, E-Mail-Adressen zurückliest oder Bestätigungscodes buchstabiert, ist das auf der Breeze-Seite ein ungemessenes Risiko und auf der AssemblyAI-Seite die am besten dokumentierte Stärke des Anbieters.

Wo Breeze einfach das bessere Tool ist

Nichts des oben Genannten macht Breeze zu einem schlechten Modell; es macht Breeze zu einem Spezialisten. Wenn es sich bei dem Produkt um ein Spiel mit vierzig Charakteren, eine narrative Audio-App oder einen Begleiter handelt, der wie eine bestimmte, in einem Prompt beschriebene Person klingen muss, statt wie eine aus einem Dropdown ausgewählte Stimme, dann ist Breezes Design-and-Direction-Pipeline eine Fähigkeit, die AssemblyAI in keiner Form besitzt. AssemblyAIs 4.000 Stimmen sind eine Bibliothek, aus der man auswählt; Breezes Stimmen sind Stimmen, die man selbst erschafft. Fügt man inline stimmliche Ereignisse hinzu – ein Lachen, ein Seufzen, einen in das Skript geschriebenen Atemzug –, hat man ein Werkzeug für Performance statt für Ansagen. Breezes Angabe von 50 Sprachen geht ebenfalls weit über die sechs von AssemblyAI hinaus, obwohl die eigenen Tags der Modellkarte bei Englisch und Chinesisch enden und niemand die umfangreichere Liste unabhängig verifiziert hat.

Das Gegenargument ist das, das immer wieder kommt: 45 Zeichen pro Sekunde sind langsam, 1.021 Elo bei kontrollierten Stimmen ist gewöhnlich, und die Lizenz blockiert den naheliegenden Grund, offene Gewichte haben zu wollen. Breeze TTS 2 ist ein Forschungsartefakt mit einem kommerziellen Einstieg. AssemblyAI-TTS-1 ist ein kommerzielles Produkt ohne Forschungsgeschichte. Entscheiden Sie danach, welcher dieser Sätze Ihr Problem beschreibt.

Wenn Sie davon ausgehen, dass Sie beides brauchen werden

Die meisten Sprachagenten-Teams landen am Ende bei zwei TTS-Anbietern – nicht, weil sie das wollen, sondern weil Qualität, Sprachabdeckung und Preis selten bei einem Modell zusammenkommen. Weder AssemblyAI-TTS-1 noch Breeze TTS 2 ist heute im OrcaRouter-Katalog, daher ist dies keine Werbung für eines von beiden; die ehrliche Empfehlung lautet, den zweiten anzubinden, bevor der erste einen Ausfall hat. Genau dafür gibt es automatisches Failover, und es ist zugleich der günstigste Weg, zwei TTS-Modelle gegen den eigenen Traffic statt gegen das Prompt-Set eines Anbieters A/B zu testen – ein Schlüssel, eine Routing-Regel und die von Ihnen gewählte Traffic-Aufteilung statt zwei Verträge und zwei SDK-Integrationen.

Wir leiten mehr als 200 Modelle hinter einer einzigen API weiter, und zwar zu 0 % Aufschlag, wobei wir die Listenpreise der Anbieter unverändert durchreichen. Das ist hier wichtig, weil sich die TTS-Preise monatlich bewegen: AssemblyAI ist mit 15 US-Dollar gestartet, Cartesia liegt bei 49 US-Dollar, und die Rangliste, die sie einordnet, wird alle paar Wochen neu gemischt. Die TTS-Strecken, die wir abdecken, sind OpenAI tts-1, tts-1-hd und gpt-4o-mini-tts sowie Googles Gemini 3.1 Flash TTS Preview – nutzbar als zweite Strecke, während Sie entscheiden, ob der Tarif von 15 Dollar oder das Voice-Design-Toolkit das ist, was Ihr Produkt wirklich braucht.

Die Entscheidung, klar gesagt

Nehmen Sie AssemblyAI-TTS-1, wenn Sie einen Agenten mit hohem Volumen bauen, der überwiegend Englisch plus fünf weitere Sprachen unterstützt, Zahlen bestätigt und strukturierte Daten laut vorliest, und wenn ein Durchsatzvorteil von 162 Zeichen pro Sekunde plus unbegrenzte Parallelität plus eine kalkulierbare Preisliste für Sie mehr zählt als die schönste Stimme. Nehmen Sie Breeze TTS 2, wenn die Stimme das Produkt ist – wenn Sie Charaktere gestalten, die Sprechweise inszenieren und eine Darbietung über ein ganzes Skript hinweg halten müssen – und wenn Sie mit einer nichtkommerziellen Lizenz für die Modellgewichte, etwa 45 Zeichen pro Sekunde und einem Score für kontrollierte Stimme leben können, der im unteren Drittel der Bestenliste liegt.

Der eine Punkt, den man mitnehmen sollte, ist, dass diese beiden keine wirklichen Rivalen sind. Sie liegen auf einem Board gleichauf, das Casting belohnt, und trennen sich scharf auf einem Board, das Akustik belohnt, und das Modell, das beim Gleichstand schwächer aussieht, ist dasjenige, das die Messung gewinnt, wenn alles andere konstant gehalten wird. Preis und Lizenzierung entscheiden es dann für die meisten kommerziellen Käufer, bevor das Elo-Argument überhaupt Gehör findet.