AssemblyAI-TTS-1 vs Breeze TTS 2: A un punto Elo de distancia, 87 puntos de distancia

Pon AssemblyAI-TTS-1 y Breeze TTS 2 en el tablero Provider Voice de Artificial Analysis y son indistinguibles: 1.227 frente a 1.228, un punto Elo, una posición en la escalera. Ponlos en el tablero Controlled Voice — donde cada modelo habla las mismas ocho voces clonadas — y la brecha se abre a 87 puntos, 1.108 frente a 1.021, con AssemblyAI décimo y Breeze vigésimo octavo. Ambas cifras son reales, ambas se leyeron el 30 de octubre de 2026, y la distancia entre ellas es todo el argumento de esta comparación. Uno de estos modelos tiene un catálogo de voces sólido envuelto alrededor de un modelo acústico corriente. El otro tiene un modelo acústico sólido envuelto alrededor del precio por carácter más barato de la categoría.

Lo que sigue no es una elección al azar disfrazada de análisis. Los dos productos están dirigidos a compradores diferentes. AssemblyAI-TTS-1 es una API alojada de una empresa de reconocimiento de voz que acaba de añadir una boca a sus oídos: propietaria, 15 dólares por millón de caracteres, seis idiomas, concurrencia ilimitada. Breeze TTS 2 es un modelo de pesos abiertos de 3 mil millones de parámetros de BreezeBlue, una startup de quince personas, con un endpoint alojado a 34 dólares por millón de caracteres y una licencia de pesos que prohíbe el autoalojamiento comercial. Las puntuaciones son lo bastante cercanas para resultar interesantes, y los modelos comerciales difícilmente podrían ser más diferentes.

Dos números antes que cualquier otra parte de ello

Artificial Analysis realiza sus pruebas de escucha a ciegas de forma continua, y las clasificaciones se mueven bajo los modelos. Breeze TTS 2 debutó en agosto con 1.215 de Elo y en el sexto puesto general, y se informó que era la mejor entrada de pesos abiertos en ese momento. Dos meses y una docena de lanzamientos después, figura con 1.228 y en el decimotercer puesto — una puntuación más alta y un peor puesto, porque el campo se llenó por encima de él. AssemblyAI-TTS-1 llegó el 27 de octubre con 1.227 y en el duodécimo puesto, y dos días después figuraba en el decimocuarto con una puntuación idéntica. Cualquiera que cite un puesto a partir de una publicación de lanzamiento sin fecha está citando un dato obsoleto.

• Voz del proveedor (voces nativas) — AssemblyAI-TTS-1 1,227, 14.º; Breeze TTS 2 1,228, 13.º

• Voz controlada (ocho voces clonadas compartidas) — AssemblyAI-TTS-1 1.108, 10.º; Breeze TTS 2 1.021, 28.º

• Precio por millón de caracteres — $15 vs $34

• Voces: más de 4.000 voces de biblioteca junto con clonación instantánea, frente a voces diseñadas a partir de una descripción de texto, además de una biblioteca complementaria de 15.000 voces

• Pesos — ninguno, solo API frente a descargable pero solo para investigación/no comercial

• Idiomas — seis en el lanzamiento frente a 50 declarados; ficha del modelo etiquetada en inglés y chino

• Rendimiento — 162 caracteres por segundo frente a unos 45

La división de la arena controlada es la que hay que interiorizar, porque es la única medición de esta comparación que mantiene una variable constante. Provider Voice permite que cada modelo elija sus propias voces, de modo que un modelo con 15.000 personajes diseñados a mano puede ganar por el casting y no por la acústica. Controlled Voice elimina eso. Breeze pierde 207 Elo cuando sus propias voces quedan fuera de juego; AssemblyAI pierde 119. Cuando la voz es fija, Breeze no entra en la conversación —puesto 28— y AssemblyAI sigue en los diez primeros.

Por qué el empate en la escucha a ciegas es un espejismo

El ranking de proveedores es un concurso de popularidad entre modelos a los que se permite presentar su mejor voz, y Breeze presenta muchas. La propuesta de BreezeBlue es el diseño de voz: describes un personaje en lenguaje natural y el modelo sintetiza un timbre que encaje, y luego la dirección de voz separa el modo de hablar de la identidad, de modo que puedes pedir «susurrada» o «acelerada» mientras el hablante sigue siendo reconocible como la misma persona. Su biblioteca complementaria Voice Galaxy contiene más de 15.000 voces de personajes. Ese es el tipo de catálogo que gana una prueba de preferencia a ciegas, y también es el tipo de catálogo que no te dice nada sobre lo que ocurre cuando le pasas a cualquiera de los dos modelos un fragmento de referencia y le pides que hable con esa voz.

Dale a ambos modelos una voz clonada y el panorama se invierte. Eso es lo que hace la arena controlada, y es donde las cifras propias del proveedor coinciden con las independientes. Breeze reporta una similitud del hablante de 0.67 para sus clones; AssemblyAI reporta 0.64. Ninguna de las dos es impresionante, y la diferencia entre ellas está dentro del ruido. Lo que no está dentro del ruido es la brecha de 87 puntos Elo en la misma tabla. Si tu producto necesita una voz distintiva que hayas diseñado tú mismo, las herramientas de diseño de Breeze son exactamente la función que importa, y su debilidad en la arena controlada es exactamente el riesgo: el modelo puede asignar una voz que él mismo creó, pero es menos fiable para mantener una voz que hayas creado tú.

Lo que el precio realmente compra

$15 frente a $34 es una diferencia de 2,3 veces a precio de lista, y se amplía o se estrecha según cómo se facture. AssemblyAI cobra por carácter de entrada, incluidos espacios y signos de puntuación, e incluye todas las voces de la biblioteca, todos los idiomas compatibles, clonación instantánea, marcas de tiempo por palabra y procesamiento en EE. UU. o en la UE a una sola tarifa, sin límite de concurrencia en el pago por uso. El endpoint alojado de Breeze cuesta $34 por millón de caracteres con la misma base de caracteres, y los pesos gratuitos no cambian eso para los usuarios comerciales: la licencia se aplica tanto a los resultados autoalojados como a los propios pesos.

Haz las cuentas con un guion real y la diferencia es de aproximadamente un dólar por hora de audio terminado a un ritmo normal de habla: unos 81 centavos en AssemblyAI frente a unos $1.84 en Breeze, usando la estimación estándar de 15 caracteres por segundo. Para una empresa que genera cien mil horas de habla de agentes al mes, esa es la diferencia entre $81,000 y $184,000 — y es una diferencia que pagas por herramientas de diseño de voz que quizá no uses y por una narrativa de pesos abiertos que quizá no se te permita aprovechar.

La licencia es la bifurcación en el camino, y para Breeze señala en la dirección equivocada.

Los pesos abiertos suelen ser el argumento que zanja comparaciones como esta: descárgalo, ejecútalo en tu propio hardware y deja de pagar por carácter. Ese argumento no sobrevive al contacto con la licencia de Breeze TTS 2. El código de inferencia es Apache 2.0; los pesos y cualquier salida de un despliegue autoalojado quedan bajo una licencia de investigación y no comercial que se extiende a derivados, LoRAs, fusiones y cuantizaciones. El autoalojamiento comercial requiere autorización de BreezeBlue. En la práctica, la API alojada es la vía comercial, lo que significa que el sello de pesos abiertos te compra inspección, experimentación y una vía de escape que tienes que negociar, no una ruta de producción más barata.

Compárelo con AssemblyAI-TTS-1, que no ofrece pesos en absoluto ni pretende ser abierto. Es un servicio alojado con una lista de precios publicada y una opción de residencia de datos. Para un comprador que decide entre los dos, la cuestión no es "abierto o cerrado", sino "¿quiero firmar una licencia de investigación y negociar el derecho a ejecutar yo mismo un modelo de 3B, o quiero una factura por carácter que pueda prever?" El tamaño de 3B es genuinamente práctico: alrededor de 7,7 GiB de VRAM en la configuración eager, una GPU de 12 GB como mínimo declarado y un factor de tiempo real de 0,32 en una H100, por lo que es aproximadamente tres veces más rápido que el tiempo real en el hardware que midió BreezeBlue. Es el autoalojamiento creíble más pequeño de esta categoría. Simplemente no es un autoalojamiento que la mayoría de las empresas pueda usar legalmente.

Lo que los tableros Elo no miden

El rendimiento es donde la ventaja de AssemblyAI deja de ser un error de redondeo. Artificial Analysis registró 162 caracteres por segundo para AssemblyAI-TTS-1 frente a unos 45 de Breeze TTS 2, una diferencia de 3,6 veces en la velocidad con la que el modelo convierte texto en audio. Para un trabajo por lotes, eso es una diferencia en la longitud de la cola. Para un agente en vivo, es la diferencia entre un modelo capaz de seguir a alguien que habla rápido y otro que no. La respuesta de Breeze a esto es su ruta de streaming, que según la compañía alcanza menos de 40 ms hasta el primer audio; mediciones independientes sitúan el tiempo hasta el primer byte (p50) en cerca de 119 ms y el tiempo hasta el primer audio en cerca de 134 ms, con un percentil 95 en torno a 163 ms. Las cifras independientes comparables de AssemblyAI son más escasas —un laboratorio, 159 ms de latencia de streaming mediana—, así que conviene tratar ambas historias de latencia como más cercanas entre sí de lo que sugiere el titular de cualquiera de los dos proveedores.

En cuanto a la precisión con cadenas difíciles, la diferencia no es pequeña. La evaluación del proveedor de AssemblyAI sitúa la precisión de entidades en 93,7 % en números de teléfono, URL, códigos y nombres de medicamentos, frente a 82,5 % de Cartesia Sonic 3.6 y 68,0 % de ElevenLabs Flash v2.5; no existe ninguna cifra de Breeze en esa tabla. Breeze nunca ha publicado un equivalente, y su ficha de modelo no reivindica ninguno. Si tu agente confirma números de pedido, repite direcciones de correo electrónico o deletrea códigos de confirmación, eso es un riesgo no medido en el caso de Breeze y la fortaleza mejor documentada del proveedor en el caso de AssemblyAI.

Donde Breeze es simplemente la mejor herramienta

Nada de lo anterior convierte a Breeze en un mal modelo; lo convierte en un especialista. Si el producto es un juego con cuarenta personajes, una aplicación de audio narrativo o un acompañante que debe sonar como una persona concreta descrita en un prompt en lugar de una voz elegida de una lista desplegable, el flujo de diseño y dirección de Breeze es una capacidad que AssemblyAI no tiene de ninguna forma. Las 4.000 voces de AssemblyAI son una biblioteca de la que eliges; las de Breeze son voces que creas tú. Añade eventos vocales integrados —una risa, un suspiro, una respiración escritos en el guion— y tienes una herramienta para la interpretación en lugar de para los anuncios. Su afirmación de 50 idiomas también va mucho más allá de los seis de AssemblyAI, aunque las etiquetas de la propia ficha del modelo solo llegan al inglés y al chino, y nadie ha verificado de forma independiente la lista más amplia.

El contraargumento es el que no deja de volver: 45 caracteres por segundo es lento, 1.021 Elo en voces controladas es normal, y la licencia bloquea la razón obvia para querer pesos abiertos. Breeze TTS 2 es un artefacto de investigación con una vía de entrada comercial. AssemblyAI-TTS-1 es un producto comercial sin ninguna historia de investigación. Elige según cuál de esas frases describa tu problema.

Si esperas necesitar ambos

La mayoría de los equipos de agentes de voz terminan con dos proveedores de TTS, no porque quieran, sino porque la calidad, la cobertura de idiomas y el precio rara vez coinciden en un solo modelo. Ni AssemblyAI-TTS-1 ni Breeze TTS 2 están en el catálogo de OrcaRouter hoy, así que esto no es una presentación comercial de ninguno de los dos; el consejo honesto es integrar el segundo antes de que el primero sufra una caída. Ese es el caso para el que existe la conmutación automática por error, y también es la forma más barata de hacer A/B testing de dos modelos de TTS con tu propio tráfico en lugar de con el conjunto de prompts de un proveedor: una clave, una regla de enrutamiento y la división de tráfico que elijas, en lugar de dos contratos y dos integraciones de SDK.

Enrutamos más de 200 modelos detrás de una sola API con 0% de margen, pasando los precios de lista de los proveedores sin cambios, lo cual importa aquí porque los precios de TTS cambian mensualmente: AssemblyAI entró con $15, Cartesia está en $49, y la tabla que los clasifica se reorganiza cada pocas semanas. Las opciones de TTS que sí ofrecemos son tts-1 de OpenAI, tts-1-hd y gpt-4o-mini-tts, y Gemini 3.1 Flash TTS Preview de Google — utilizables como segunda opción mientras decides si la tarifa de $15 o el kit de diseño de voz es lo que tu producto realmente necesita.

La decisión, dicha claramente

Elige AssemblyAI-TTS-1 si estás creando un agente de gran volumen, principalmente en inglés y cinco idiomas más, que confirma números y lee en voz alta datos estructurados, y si una ventaja de rendimiento de 162 caracteres por segundo, además de concurrencia ilimitada y una tarifa que puedas prever, te importan más que tener la voz más bonita. Elige Breeze TTS 2 si la voz es el producto — si necesitas diseñar personajes, dirigir la interpretación y mantener un rendimiento a lo largo de un guion — y si puedes vivir con una licencia de pesos no comercial, aproximadamente 45 caracteres por segundo y una puntuación de voz controlada que se sitúa en el tercio inferior de la tabla.

El único punto que vale la pena llevarse es que estos dos no son realmente rivales. Empatan en un tablero que recompensa el casting y se separan marcadamente en un tablero que recompensa la acústica, y el modelo que parece más débil en el empate es el que gana la medición manteniendo todo lo demás constante. Luego, el precio y las licencias lo deciden para la mayoría de los compradores comerciales antes de que el argumento de Elo tenga audiencia.