Rime Prism vs. Breeze TTS 2: Die Lizenz ist der Vergleich

Das Nützlichste, was man daraus lernen kann, Rime Prism neben Breeze TTS 2 zu stellen, ist nicht, welches besser klingt. Es ist die Tatsache, dass eines davon ein Apache-2.0-Repository ist, dessen Modellgewichte auf Forschung und nichtkommerzielle Nutzung beschränkt sind, und das andere ein kommerzieller Dienst mit Minutenabrechnung. Diese einzige Asymmetrie entscheidet den Vergleich, bevor Latenz, Preis oder Sprachqualität überhaupt eine Stimme bekommen. Prism, am 28. Oktober 2026 vorgestellt, ist ein gehostetes Speech-to-Speech-Modell für 0,080 US-Dollar pro Minute Anrufaudio, das jede Antwort erst als Text schreibt, bevor es sie spricht. Breeze TTS 2, am 25. August 2026 von BreezeBlue veröffentlicht, ist ein Text-to-Speech-Modell mit offenen Gewichten und 3 Milliarden Parametern, das man selbst betreibt, und es ist eine Komponente und kein Agent.

Sie sind keine Ersatzlösungen. Fast jede Seite, die sie in einem Ranking vergleicht, behandelt sie als zwei Punkte auf derselben Achse, und diese Einordnung ist auf eine Weise falsch, die Menschen Wochen kostet. Hier steht, was jedes von beiden tatsächlich ist und wo die Entscheidung wirklich ansetzt.

Eines ist ein Modell, das andere ein System.

Lies die Beschreibungen nebeneinander, und der Kategorienfehler wird offensichtlich.

• Was es macht — Prism nimmt Anrufer-Audio entgegen und gibt Agentensprache aus, durchgängig von Anfang bis Ende, mit einem Text-Checkpoint dazwischen. Breeze TTS 2 nimmt Text entgegen und gibt Sprache aus. Punkt.

• Was es ersetzt – Prism ersetzt ein Spracherkennungsmodell, ein Sprachmodell und ein Synthesemodell sowie die Verbindungsschicht, die dafür sorgt, dass sie sich wie ein Gespräch verhalten. Breeze TTS 2 ersetzt das Synthesemodell und nur dieses.

• Wer betreibt es — Prism läuft in der Rime-Cloud in den Tarifen Free, Flex und Scale; VPC und On-Premises nur bei Enterprise. Breeze TTS 2 läuft auf Ihrer GPU – und auf keiner anderen.

• Was Sie noch bauen müssen – mit Prism, der Policy-Schicht, die den Checkpoint liest. Mit Breeze TTS 2, Erkennung, Turn-Taking, Unterbrechungsbehandlung, dem Sprachmodell, dem Orchestrator und der Streaming-Anbindung zwischen allen.

• Offenheit — Prism veröffentlicht keine Gewichte, keine Parameteranzahl und keine Sprachliste. Breeze TTS 2 veröffentlicht Gewichte, Inferenzcode und eine Benchmark-Suite.

Wenn Ihr Team aus zwei Personen besteht und die Deadline ein Quartal beträgt, ist „eine Kaskade um Breeze herum aufzubauen“ kein Plan, sondern ein Projekt. Wenn Ihr Team bereits einen Voice-Stack besitzt und die Syntheseebene das schwache Glied ist, bedeutet das Mieten von Prism, funktionierende Infrastruktur wegzuwerfen, um eine einzige Komponente zu reparieren.

Die Lizenzklausel, die für die meisten Unternehmen den Ausschlag gibt

von Breeze TTS 2Quellcode ist Apache 2.0, was sich permissiv anhört, bis man zu den Gewichten kommt. Modellgewichte, abgeleitete Modelle und selbst gehostete Ausgaben sind für Forschung und nichtkommerzielle Nutzung lizenziert. Das ist kein Kleingedrucktes, das man umgehen kann, indem man es zum Prototyp erklärt. Ein produktiver Einsatz in einem Contact-Center ist nach jedem üblichen Verständnis kommerzielle Nutzung, und die Lizenz legt das Risiko auf die Partei, die das Modell betreibt – bei offenen Gewichten sind das Sie.

Das ist der Unterschied zwischen einem Modell, das Sie heute Nachmittag evaluieren können, und einem Modell, das Sie ausliefern können. Die Evaluierung ist in der Praxis kostenlos und uneingeschränkt: Laden Sie die Gewichte herunter, führen Sie den offiziellen PyTorch-Inferenzcode aus, lassen Sie Ihre eigenen Skripte damit laufen und hören Sie, was es tut. Für die Auslieferung ist eine kommerzielle Lizenz von BreezeBlue erforderlich, und die Bedingungen dieser Lizenz sind auf der Modellseite nicht veröffentlicht. Jede Vergleichstabelle, die die Kosten von Breeze TTS 2 als „GPU-Zeit“ angibt und dort stehen bleibt, setzt stillschweigend eine Lizenz voraus, die noch niemand genannt hat.

Die Lizenzfrage bei Prism ist genau umgekehrt und deutlich einfacher: Prism ist ein Dienst, der Preis wird veröffentlicht, und das kommerzielle Nutzungsrecht ist im Minutentarif enthalten. Free-Tarif, Flex, Scale, Enterprise. Keine Verhandlungen, es sei denn, Sie wollen On-Prem.

Was jedes pro Minute kostet, mit der gezeigten Rechnung.

Prism ist unkompliziert: 0,080 $ pro Minute Anrufaudio bei Flex, 0,064 $ bei Scale, 0 $ beim Gratisguthaben, bis die 50 $ aufgebraucht sind. Tausend Minuten kosten 80 $ ohne Telefoniekosten.

Breeze TTS 2 braucht ein durchgerechnetes Beispiel, denn „Self-Hosting“ verdeckt die gesamte Rechnung. BreezeBlue gibt auf einer H100 einen Echtzeitfaktor von 0,32 an – grob 3,1 Sekunden erzeugtes Audio pro Sekunde Rechenzeit – gemessen auf einem aufgewärmten Fast-Path. Eager-Inference benötigt etwa 7,7 GiB, eine 12-GB-Karte ist also das Minimum; der --fast-all-Pfad benötigt 14,4 GiB und eine 24-GB-Karte.

Nehmen Sie eine H100 zu etwa 2 $ pro GPU-Stunde. In einer Stunde stehen 3.600 Sekunden Rechenzeit zur Verfügung, die bei einem RTF von 0,32 etwa 11.200 Sekunden Audio ergeben, also 186 Minuten. Teilen Sie: etwa 0,011 $ pro Minute generierter Sprache. Das ist rund siebenmal günstiger als der Flex-Tarif von Prism – und es ist die Zahl, die zitiert wird.

Es ist nicht die Zahl, auf die es ankommt. Diese $0.011 schließen die Auslastung nicht ein. Ein Contact-Center läuft nicht mit 100 % GPU-Auslastung; es läuft auf dem Spitzenwert seiner verkehrsreichsten Stunde und steht den Rest der Zeit im Leerlauf. Bei einer realistischen durchschnittlichen Auslastung von 30 % verdreifacht sich der effektive Preis auf etwa $0.033/min, und bei 15 % sind es rund $0.066/min – was Prisms Preis entspricht, ohne den Checkpoint und mit der gesamten operativen Belastung. Self-Hosting schlägt die Minutenpreisgestaltung nur, wenn man die Karte beschäftigt halten kann, und die meisten Voice-Deployments können das nicht, weil ihr Traffic von Natur aus stoßweise anfällt.

Latenz: 40 Millisekunden sind kein Voice-Agent

Der Spitzenwert von Breeze TTS 2 liegt bei unter 40 ms Zeit bis zum ersten Audio auf einem schnellen H100-Pfad. Der Spitzenwert von Prism liegt bei 0,57 Sekunden. Für sich allein gelesen wirkt das wie eine vierzehn-zu-eins-Niederlage. Es ist ein Vergleich zwischen unterschiedlichen Stoppuhren.

Breezes Zeitmessung beginnt, wenn Text am Synthesizer ankommt. Prisms Zeitmessung beginnt, wenn der Anrufer aufhört zu sprechen. Zwischen diesen beiden Punkten liegen im Kaskadenfall die Spracherkennung der Äußerung des Anrufers und ein vollständiger Sprachmodell-Durchlauf – die Teile, die Breeze nicht übernimmt. Veröffentlichte End-to-End-Zeiten für Kaskaden liegen üblicherweise zwischen 800 ms und 1,5 Sekunden, sobald Erkennung und Generierung mitgezählt werden, und jede dieser Millisekunden ist ein Moment, in dem der Anrufer sich fragt, ob die Verbindung unterbrochen wurde.

Die 0,57 s von Prism sind eine Herstellerangabe aus einer vom Anbieter durchgeführten Evaluierung auf dem τ-Voice-Harness, und sie ist die Zahl, die mit anderen Ende-zu-Ende-Sprach-zu-Sprach-Modellen zu vergleichen ist, nicht mit einer Komponente. Die faire Aussage lautet, dass Breeze TTS 2 der mit großem Abstand schnellste Synthesizer in diesem Vergleich ist und Prism darin das schnellste vollständige System – weil es darin das einzige vollständige System ist.

Es gibt einen Punkt, an dem der rohe Vergleich tatsächlich zutrifft. Wenn Sie ohnehin eine Kaskade bauen – weil Ihr Sprachmodell etwas kann, das weder Breeze noch Prism können, oder weil Sie eine bestimmte Inferenz-Engine benötigen –, dann sind Breezes 40 ms ein echter Vorteil von 500 Millisekunden gegenüber Prisms Gesamtbudget, das allein für den Synthese-Schritt aufgewendet wird. In dieser Architektur vergleichen Sie nicht Breeze mit Prism. Sie vergleichen eine Breeze-Kaskade mit einer Prism-Kaskade, und der Synthese-Schritt ist nur ein Summand in der Summe.

Wo jedes für sich wirklich gewinnt

Breeze TTS 2 gewinnt, wenn die Ausgabe kein Gespräch ist. Synchronisation, Erzählung, Audio für ein Spiel, eine Stimme für ein Produkt mit 200 festen Phrasen – dafür braucht man einen Synthesizer, keinen Agenten, und nichts davon braucht einen Policy-Checkpoint vor der Sprachausgabe. Der Voice-Design-Modus von Breeze erzeugt eine Stimme aus einer natürlichsprachlichen Beschreibung ohne Referenzaudio, die Stimmführung steuert Ton und Tempo eines vorhandenen Klons, und Inline-Tags wie (laugh) und (sigh) fügen Performance hinzu, ohne ein zweites Modell. Bei dieser Arbeit stellt sich die Lizenzfrage möglicherweise gar nicht, und die Kosten pro Minute sind irrelevant, weil es keinen Minutentarif gibt.

Prism gewinnt, wenn es um die Einschränkung geht, was der Agent sagen darf. Ein Satz, der geprüft werden muss, eine Offenlegung, die wortwörtlich erscheinen muss, eine Kontonummer, die buchstabiert statt als Wort gesprochen werden muss – diese brauchen den Text-Checkpoint, und Breeze TTS 2 hat kein Äquivalent, weil der Text, den es empfängt, bereits endgültig ist, wenn es ihn sieht. Man kann in einer Kaskade vorgelagert eine Schutzmaßnahme einbauen – und das tun Leute auch –, aber dann überwacht man die Ausgabe des Sprachmodells in einer Pipeline, die man selbst zusammengebaut hat, und das ist der Großteil der Arbeit, die Prism verkauft.

Breeze TTS 2 punktet auch bei der Transparenz. Du kannst die Gewichte einsehen, es offline ausführen, die Benchmark-Behauptungen des Anbieters auf deiner eigenen Hardware reproduzieren und genau wissen, was sich zwischen Versionen geändert hat. Prism gibt dir eine API und einen Release-Hinweis. Für ein Team, das schon einmal von einem Anbieter geschädigt wurde, der mitten im Quartal still und heimlich eine Stimme geändert hat, ist das wirklich etwas wert.

Wenn Sie die Kaskade beibehalten, ist die Modellschicht routbar.

Die Kaskade, in die Breeze TTS 2 eingebettet ist, braucht noch ein Sprachmodell, und das ist der Teil, den OrcaRouter abdeckt. Prism wird direkt von Rime verkauft und ist nicht in unserem Katalog; Breeze TTS 2 wird selbst gehostet und ist auch nicht darin. Darin enthalten ist alles, was sie umgibt: ein Schlüssel für über 200 Modelle zu 0 % Aufschlag auf den Listenpreis des Anbieters, mit automatischem Failover, wenn ein Anbieter während des Anrufs nachlässt, und einer Routing-DSL, um zu entscheiden, welches Modell welchen Gesprächsschritt übernimmt. Für einen Sprachagenten ist das die nützliche Form – ein kleines Modell für die Bestätigung, während der Anrufer noch spricht, ein größeres für die Suche, ein Endpunkt und eine Rechnung.

Auch die TTS-Seite ist abgedeckt: openai/tts-1-hd und google/gemini-3.1-flash-tts-preview sind heute beide zum Listenpreis routbar. Sie sind nicht Breeze TTS 2 und nicht Prism, aber sie sind die beiden Enden der Kaskade ohne einen zweiten Vertrag.

Die Entscheidung, in einem Durchgang

Stelle zwei Fragen in dieser Reihenfolge, und die Antwort ergibt sich meist von selbst.

Zunächst: Muss irgendetwas, was Ihr Agent sagt, genehmigt werden, bevor ein Mensch es hört? Wenn ja, ist Prism in diesem Paar die einzige Option mit einem Ort, an dem diese Genehmigung hinterlegt werden kann, und der Preis der Lizenz — $0,08/min — ist der Preis für die Kontrolle. Wenn nein, fahren Sie fort.

Zweitens: Können Sie eine GPU auslasten? Wenn Ihre Synthese-Last nahe an der Kapazitätsgrenze läuft und Sie das Engineering-Team haben, eine Kaskade zu verantworten, ist Breeze TTS 2 mit $0.011/min Rechenleistung die wirtschaftlichere Antwort um den Faktor sieben – vorausgesetzt, Sie sichern sich vor der Auslieferung eine kommerzielle Lizenz. Wenn Sie die Karte nicht auslasten können, nähern sich die effektiven Kosten ohnehin denen von Prism an, und Sie haben den gesamten Stack auf sich genommen, um dorthin zu gelangen.

Die eine Antwort, die falsch ist, ist die, die die Ranking-Seiten geben: dass Breeze günstiger ist und deshalb gewinnt. Pro Minute Audio günstiger, ja. Aber Sie kaufen bei Breeze TTS 2 kein Audio – Sie kaufen einen Synthesizer und bauen dann einen Voice-Agent darum herum, und niemand hat dafür einen Einzelposten veröffentlicht.

Der Vorbehalt bei Hersteller-Benchmarks gehört auch hierher. Die veröffentlichten Werte von BreezeBlue – ein Echtzeitfaktor von 0,32 und unter 40 ms bis zum ersten Audio auf einem vorgewärmten H100-Fast-Path – stammen von BreezeBlue selbst, wurden auf einem englisch-chinesischen Modell ermittelt, und die Aussage „Rang 1 unter den Open-Weight-Modellen im Artificial Analysis TTS Leaderboard“ ist eine Positionierungsaussage des Anbieters und kein Score: Im Live-Board liegt es derzeit insgesamt etwa auf Platz sieben. Prisms 56,6 bei τ-Voice stammt ebenfalls vom Anbieter. Keine der beiden Zahlen hat einen unabhängigen Schiedsrichter, und genau das ist das eine, was diese beiden wirklich gemeinsam haben.