Gemini 3.8 TTS vs. Breeze TTS 2: Die Lizenz, nicht die Rangliste, entscheidet dieses Duell

Sechsundfünfzig Elo-Punkte trennen Gemini 3.8 Flash TTS und Breeze TTS 2 in der Artificial Analysis Provider Voice Arena, und sie liegen nicht innerhalb der Fehlerbalken des jeweils anderen: Das Modell des Anbieters liegt auf Rang 2 mit einem Elo von 1.260 über 1.999 Stichproben und 8 Arena-Stimmen, veröffentlicht am 23. September 2026; Breeze TTS 2 liegt auf Rang 9 mit 1.204 über 1.390 Stichproben, veröffentlicht im August 2026. Beim Preis kippt die Reihenfolge deutlich – Breeze wird mit 34,00 $ pro Million Zeichen angegeben, normalisiert gegenüber 16,50 $ für Flash TTS, sodass das Modell, das auf dem Leaderboard gewinnt, bei der Rechnung um etwa das Doppelte verliert.

Wäre das der ganze Vergleich, wäre es ein kurzer Beitrag, und Sie würden danach entscheiden, wie sehr Sie einem 56-Punkte-Abstand trauen. Doch die beiden Modelle sind nicht die gleiche Art von Objekt. Breeze TTS 2 ist ein Open-Weights-Modell mit 3 Milliarden Parametern, das Sie herunterladen, untersuchen und selbst ausführen können, mit einer Lizenz, die sich als wichtiger erweist als sein Platz auf einem Leaderboard. Gemini 3.8 Flash TTS ist ein API-Endpunkt mit Voice-Design und Zwei-Sprecher-Dialog und überhaupt keinen Gewichten. Die Entscheidung zwischen ihnen ist eine Lizenzierungs- und Deployment-Frage im Gewand eines Benchmarks.

Was jedes einzelne tatsächlich ist

Verschaffe dir erst Klarheit über die Ausgestaltung jedes Modells, bevor du Zahlen vergleichst, denn sie unterscheiden sich auf fast jeder Achse, die nicht Elo ist.

• Bereitstellung — Breeze TTS 2 ist herunterladbar: Die Gewichte wurden auf Hugging Face unter BreezeBlue/Breeze-TTS-2 zusammen mit PyTorch-Code veröffentlicht. Gemini 3.8 Flash TTS ist ausschließlich API-basiert und über die Gemini API sowie die in der Ankündigung vom 23. September genannten Google-Oberflächen erreichbar.

• Größe — Breeze TTS 2 ist ein Modell mit 3 Mrd. Parametern, weshalb es überhaupt selbst gehostet werden kann. Google hat für keines der beiden Gemini 3.8 TTS-Modelle eine Parameteranzahl veröffentlicht.

• Stimmerstellung — Gemini 3.8 Flash TTS erstellt Stimmdesigns aus einer schriftlichen Beschreibung und Stimmreplikation aus einer 30-sekündigen Probe. Breeze TTS 2 liefert eine Stimmbibliothek, die der Anbieter mit Tausenden beziffert, und einen eigenen Stimmdesign-Pfad; die vom Anbieter gemeldeten Rollen-Fit- und Direction-Werte für diesen Pfad sind Eigenangaben von BreezeBlue und haben kein unabhängiges Gegenstück.

• Dialog — Gemini 3.8 Flash TTS generiert einen Zwei-Sprecher-Dialog in einem einzigen Aufruf, mit Stilgebung auf Turn-Ebene. Breeze TTS 2 ist ein Single-Voice-Modell; eine Konversation besteht aus zwei zusammengefügten Durchläufen.

• Sprachen — Breeze TTS 2 deckt nach Angaben des Anbieters 50 Sprachen ab. Googles Ankündigung nennt für das Flash-Modell 130, doch die beiden Zahlen messen nicht dasselbe und sollten nicht als 130 gegenüber 50 gelesen werden.

• Latenz — BreezeBlue behauptet eine Streaming-Latenz von unter 40 ms; Google veröffentlicht keine vergleichbare Angabe für Flash TTS. Keine der beiden Zahlen ist unabhängig verifiziert, und nur eine davon existiert.

Die Lizenz ist der eigentliche Scheideweg

Dies ist der Teil, den Ihnen die Rangliste nicht zeigen kann, und er ist der Grund dafür, dass die beiden Modelle nicht austauschbar sind, selbst dort, wo sich ihre Qualität überschneidet.

Die Gewichte von Breeze TTS 2 werden unter der BreezeBlue-Lizenz für Forschung und nichtkommerzielle Nutzung bereitgestellt. Der Quellcode im selben Repository steht unter Apache 2.0. Diese beiden Fakten stehen auf der Modellkarte nebeneinander und werden in den meisten Berichten zu „Open Source“ zusammengefasst, was in die Richtung falsch ist, die Geld kostet: Dass der Code unter Apache 2.0 steht, macht die Gewichte nicht zu Apache 2.0, und die kommerzielle Nutzung des Modells läuft über die gehostete API und nicht über einen selbst gehosteten Checkpoint.

Auf Googles Seite stellt sich überhaupt keine Lizenzfrage, denn es gibt nichts zu lizenzieren. Man kauft Inferenz. Was man aufgibt, ist das, wofür offene Gewichte normalerweise gekauft werden – die Möglichkeit, das Modell dort laufen zu lassen, wo die Daten sind, eine Version festzuschreiben und beizubehalten und aufzuhören, pro Zeichen zu bezahlen.

Die ehrliche Darstellung ist also nicht offen versus geschlossen. Sie lautet:

• Wenn Ihre Bereitstellung Audio innerhalb Ihrer eigenen Infrastruktur halten muss, ist Breeze TTS 2 von den beiden die einzige, die einen Weg bietet, und dieser Weg ist eine Forschungslizenz. Lassen Sie sich rechtlich beraten, bevor Sie ein Produkt darauf aufbauen.

• Wenn Ihr Deployment eine API aufrufen kann, verschwindet die Lizenzfrage und der Vergleich beschränkt sich wieder auf Qualität, Preis und Funktionen – wobei Flash TTS bei zwei von drei Punkten vorne liegt.

• Wenn du offene Gewichte willst, die du ohne ein Gespräch kommerzialisieren kannst, dann ist keines von diesen beiden dieses Modell, und die Arena hat andere Zeilen.

Wo die Elo-Differenz etwas bedeutet und wo nicht

Eine Lücke von 56 Punkten liegt außerhalb der ±16- und ±16-Konfidenzintervalle, die das Board für diese beiden Zeilen angibt, das Ranking ist also kein Rauschen der Art, wie es etwa Flash TTS gegenüber Gemini 3.8 Flash-Lite TTS darstellt. Doch ein Arena-Elo misst nur eines: welchen von zwei Clips ein Zuhörer in einem Blindvergleich bevorzugt hat. Es ist ein aggregiertes Präferenzsignal.

Was es nicht misst, ist alles, worauf es in einer Produktionspipeline ankommt. Es sagt Ihnen nicht, wie die beiden Modelle ein 40-minütiges Skript ohne Identitätsdrift verarbeiten, wie sie den Namen Ihres Produkts aussprechen, wie sie sich verhalten, wenn die Eingabe eine Telefonnummer enthält, oder wie ihr Fehlermodus aussieht, wenn von ihnen etwas außerhalb ihres Trainings verlangt wird. Die 1.390 Samples von Breeze TTS 2 und die 1.999 von Flash TTS sind beide groß genug, dass das Aggregat stabil ist, und beide klein genug, dass kein einzelner Abschnitt Ihres Anwendungsfalls darin abgebildet ist.

Der Abstand ist außerdem kleiner, als er aussieht, sobald man berücksichtigt, was jedes Modell leisten soll. Flash TTS verarbeitet zwei Sprecher in einem Aufruf, was eine schwierigere Aufgabe ist als die, für die Breeze TTS 2 bewertet wird. Ob die 56 Punkte dadurch zu niedrig oder zu hoch ausfallen, hängt von Ihrem Anwendungsfall ab, und keiner der Anbieter hat die Ablation veröffentlicht, die das klären würde.

Was eine Stunde von jedem kostet

Die beiden Preisangaben sind nicht direkt vergleichbar, und vorzugeben, es sei anders, ist der häufigste Fehler in Berichten über dieses Duell.

Google rechnet in Tokens ab: 0,50 $ pro Million Text-Tokens für die Eingabe und 9,00 $ pro Million Audio-Tokens für die Ausgabe bis zum 31. Dezember 2026, danach 18,00 $. Batch und Flex kosten 0,25 $ und 4,50 $; Priority kostet 0,90 $ und 16,00 $. Flash-Lite TTS, das Schwestermodell, kostet 0,50 $ und 6,00 $, danach 12,00 $.

BreezeBlue rechnet in Zeichen ab: 34,00 $ pro Million Zeichen über die gehostete API.

Artificial Analysis normalisiert beide auf eine Basis pro Million Zeichen, damit sie in derselben Rangliste stehen können, und daher rührt der Gegensatz von $16.50 zu $34.00. Die Normalisierung stammt von der Rangliste, nicht von einem der Anbieter – Google veröffentlicht für Flash TTS keinen Preis pro Zeichen, und wer $16.50 als Angebot statt als Umrechnung behandelt, wird am Ende von einer Rechnung überrascht.

Zwei Konsequenzen, die man einkalkulieren sollte:

• Der Tarif für Flash TTS verdoppelt sich am 1. Januar 2027. Wird der Aktionspreis zugrunde gelegt, verringert sich die Lücke zu Breeze TTS 2 deutlich; wird 18,00 $ zugrunde gelegt, schließt sie sich beinahe.

• Breeze TTS 2 selbst zu hosten macht es nicht kostenlos, sondern zu einer Investitionsausgabe. Ein 3B-Modell ist klein genug, um auf bescheidener Hardware zu laufen, doch die Rechnung geht nur bei Volumen auf – und nur für einen Anwendungsfall, den die Forschungslizenz zulässt.

Wählen, ohne vorzugeben, dass es nur eine Antwort gibt

Der Entscheidungsbaum ist kurz.

Wähle Gemini 3.8 Flash TTS, wenn du einen Dialog mit zwei Sprechern brauchst, wenn du eine Stimme möchtest, die anhand einer Beschreibung entworfen und als ID beibehalten wird, wenn deine Pipeline eine API aufrufen kann und wenn du die Preisänderung zum 31. Dezember einplanen kannst. Es ist das bessere Modell auf dem unabhängigen Leaderboard und das günstigere auf der Rechnung, und dass es geschlossen ist, ist kein Problem für einen Anwendungsfall, der ohnehin immer ein API-Aufruf sein würde.

Wählen Sie Breeze TTS 2, wenn Datenresidenz oder On-Premises-Inferenz eine harte Anforderung sind, wenn Sie ein 3B-Modell benötigen, das Sie tatsächlich herunterladen können, oder wenn Sie Forschung betreiben statt ein Produkt auszuliefern – genau der Fall, für den seine Lizenz geschrieben wurde. Wählen Sie es nicht allein wegen des Open-Weights-Labels; lesen Sie zuerst die Lizenz.

Und wenn Sie beide bewerten, ist der kostengünstige Weg dazu, die Wahl umkehrbar zu halten. OrcaRouter hostet keines dieser Modelle – die Stelle, um Gemini 3.8 Flash TTS aufzurufen, ist Googles eigene API und die von Google genannten Oberflächen, und die Stelle, um Breeze TTS 2 aufzurufen, ist BreezeBlues gehosteter Endpunkt. Wofür ein Router hier gut ist, ist der Rest des Stacks: mehr als 200 Modelle hinter einem Schlüssel zum Listenpreis des Anbieters ohne Aufschlag, sodass eine Anbieter-Preisänderung wie die Tarifstufe im Januar noch am selben Tag live ist und nicht erst zum nächsten Abrechnungszyklus, automatisches Failover sodass ein Pfad, der evaluiert wird, kein Pfad in der Produktion sein muss, und eine Routing-DSL, die Modelle zu einem einzigen Aufruf zusammenfügt, wenn eine Stimme nicht ausreicht.

Die Einzeiler-Version: Die Rangliste sagt Google, die Lizenz sagt, es kommt darauf an, und der Preis sagt, schau in deinen Kalender, bevor du dich für eines von beiden entscheidest.