GPT-Live-1 vs Breeze TTS 2: El líder de voz de pesos abiertos que no puedes lanzar

Breeze TTS 2 es el modelo de texto a voz de pesos abiertos mejor valorado en el Provider Voices Speech Arena de Artificial Analysis, con 1.205 de Elo y ocupando el séptimo lugar general entre más de cien sistemas evaluados, por delante de todos los motores con licencia comercial que publican sus pesos. Sus pesos se pueden descargar desde el 25 de agosto de 2026. Además, bajo la licencia con la que se distribuyen esos pesos, es inutilizable en un producto. GPT-Live-1 es el trueque opuesto en todos los aspectos: cerrado, alojado, facturado a 0,05 USD por minuto de voz desde que llegó a la API para desarrolladores de OpenAI el 10 de septiembre de 2026, y el único de los dos que puede oír que quien llama lo interrumpa.

Pon esas dos frases una al lado de la otra y la comparación se resuelve más rápido que la mayoría de los enfrentamientos entre modelos. Esto no es una pelea sobre cuál sintetiza mejor el habla. Es una pelea sobre si estás comprando una voz o una conversación, y sobre si «abierto» significa lo que asumiste que significaba.

No son el mismo tipo de cosa, y esa es la cuestión.

Breeze TTS 2, de BreezeBlue, una startup de unos quince empleados, es un modelo de texto a voz de 3.000 millones de parámetros. Entra texto, sale audio. No escucha nada. No tiene opinión sobre cuándo debería terminar un turno, porque no tiene concepto de turno. Transmitido por WebSocket, empezará a producir audio antes de que tu texto haya terminado de generarse, lo cual es realmente útil para mantener un ritmo ajustado en un agente de voz, pero la decisión sobre cuándo hablar la tomó lo que fuera que escribió el texto.

GPT-Live-1 es un modelo de voz a voz full-duplex. Entra audio y texto; sale audio y texto; y el modelo decide muchas veces por segundo si sigue escuchando, hace una pausa, toma el turno o lo cede. Las propias cifras del Full Duplex Bench v1.5 de Open​AI, publicadas con el lanzamiento y no reproducidas fuera de la empresa, sitúan su interactividad en un 80,1 % frente al 45,4 % de GPT-Realtime-2.1, con una latencia de toma de turno de 0,798 segundos frente a 1,41.

Esa asimetría no es una crítica a Breeze TTS 2. Es una advertencia sobre el lugar que le corresponde a cada uno dentro de una pila. Si estás construyendo una cascada —reconocimiento de voz que alimenta a un modelo de lenguaje que alimenta a un sintetizador—, Breeze TTS 2 es un candidato para el último tercio de esa cascada. Si compras GPT-Live-1, estás comprando el bucle completo y, con él, cediendo también la lógica de turnos de conversación.

Dimensión a dimensión

• Modelo de interacción — GPT-Live-1: dúplex completo, interrupción nativa, escucha mientras habla vs Breeze TTS 2: texto a voz en streaming, sin entrada de audio en absoluto

• Pesos — GPT-Live-1: cerrado, solo alojado, un único ID de modelo y sin instantáneas fechadas frente a Breeze TTS 2: 3B parámetros en Hugging Face desde el 25 de agosto de 2026, código de inferencia PyTorch Apache-2.0

• Licencia — GPT-Live-1: términos comerciales a través de la API de OpenAI, nada que revisar frente a Breeze TTS 2: una licencia de investigación y no comercial que cubre los pesos, ajustes finos, LoRAs, fusiones, cuantizaciones y salidas autoalojadas

• Unidad de precio — GPT-Live-1: $0.05 por minuto de voz, facturado por segundo, el backend de razonamiento se mide por separado frente a Breeze TTS 2: $34 por millón de caracteres en el endpoint alojado, con reducción escalonada hasta $28 en el plan publicado más alto

• Evidencia de calidad — GPT-Live-1: 70,3 % en el Speech to Speech Index de Artificial Analysis, sexto empatado de catorce modelos puntuados, frente a Breeze TTS 2: 1.205 Elo en la arena Provider Voices, séptimo en general y primero entre los modelos de pesos abiertos, según Artificial Analysis

• Idiomas — GPT-Live-1: la cobertura de lanzamiento señala sistemáticamente una fluidez desigual fuera de los idiomas principales, frente a Breeze TTS 2: 50 declarados por el proveedor, con la ficha del modelo etiquetada para inglés y chino

• Control de voz — GPT-Live-1: doce voces de API, tono y ritmo orientados por prompt, sin clonación en absoluto frente a Breeze TTS 2: clonación mediante audio de referencia, diseño de voz sin referencia, dirección de voz y eventos vocales en línea

• Rendimiento — GPT-Live-1: se mide por sesiones concurrentes, con un límite de 25 en el nivel 1 y 500 en el nivel 5, sin nivel gratuito, frente a Breeze TTS 2: aproximadamente 45 caracteres por segundo según la medición de Artificial Analysis, lo que es más lento que varios rivales comerciales y es importante para trabajos de formato largo

La licencia está haciendo más trabajo que la tabla de clasificación.

La propia tarjeta del modelo de BreezeBlue es inusualmente directa al respecto, lo cual honra a la empresa. El código de inferencia es Apache-2.0. Los pesos y cualquier resultado que generes al alojarlos por tu cuenta son para uso en investigación, y el despliegue comercial requiere una suscripción de pago al servicio alojado o una autorización por escrito. Esa restricción se extiende explícitamente a los modelos derivados, los LoRAs, las fusiones y las cuantizaciones, lo que cierra el vacío legal al que la gente suele recurrir.

Así que el encuadre de "líder en pesos abiertos" necesita un matiz que los titulares rara vez incluyen. Breeze TTS 2 es abierto en el sentido de que puedes descargarlo, inspeccionarlo, evaluarlo con pruebas comparativas y ejecutarlo en tu propio hardware para su evaluación. No es abierto en el sentido que permite a una startup construir un producto sobre él sin pagarle a BreezeBlue o comprar una revisión legal. Dos de las tres cosas que la gente entiende por pesos abiertos —verificabilidad y costo— las obtienes. La tercera —libertad para lanzar— no.

Eso es una diferencia real respecto a un modelo como GPT-Live-1, donde la cuestión de la licencia no es «¿puedo?» sino «¿cuánto?». Ambos acaban en una factura. Solo uno de ellos acaba primero en el dictamen de un abogado.

Las dos unidades de precio no son comparables, así que aquí está la aritmética

$0.05 por minuto y $34 por millón de caracteres parecen vivir en universos distintos, porque de hecho así es. Para compararlos hay que convertir. El habla se produce a unas 150 palabras por minuto, y el inglés promedia alrededor de cinco caracteres y medio por palabra una vez contados los espacios, así que un minuto de salida hablada equivale aproximadamente a 800 o 900 caracteres. Con los $34 por millón de Breeze TTS 2, eso supone unos tres centavos de síntesis por minuto — más barato que los cinco de GPT-Live-1, en lo que respecta al habla en bruto.

La comparación se desmorona inmediatamente después, porque los cinco centavos de GPT-Live-1 incluyen la escucha. También está transcribiendo al interlocutor, decidiendo cuándo termina el turno y gestionando la interrupción —trabajo que una cascada tiene que comprar en otro lugar: un modelo de reconocimiento de voz, un modelo de detección de turnos y un modelo de lenguaje para producir el texto que leerá Breeze TTS 2. Súmalos y los tres centavos de síntesis de la cascada quedan bajo una factura que suele ser mayor que la del modelo de extremo a extremo.

El resumen honesto es que la voz más barata es Breeze TTS 2 y la conversación más barata es GPT-Live-1, y la diferencia entre esas dos afirmaciones es todo lo que realmente cuesta un agente de voz.

Donde en realidad se encontrarían

Un equipo que hoy construya un agente telefónico y no esté dispuesto a comprometerse con la pila de extremo a extremo de un solo proveedor ensamblaría exactamente esta cascada: Breeze TTS 2 o un motor comparable para la boca, otra cosa para los oídos y un modelo de lenguaje enrutado para el pensamiento. El último de esos tres es la pieza que cambia con más frecuencia —es donde la calidad mejora más rápido, donde el costo varía más y donde el modelo que gana este trimestre rara vez es el que gana el siguiente.

Esa capa es una llamada API normal, y es la única parte de este stack que vale la pena mantener portátil. Alrededor de 190 modelos de once proveedores upstream se encuentran detrás de una única clave de OrcaRouter al precio de lista del proveedor y sin ningún margen, por lo que cambiar el modelo de razonamiento que hay detrás de un agente de voz es un cambio de configuración y no un proyecto de integración, y la conmutación por error automática evita que un backend que agota el tiempo de espera haga caer la llamada. Ni el endpoint Live Sessions de GPT-Live-1 ni la API alojada de Breeze TTS 2 son accesibles de esa forma: las capas de voz de esta comparación quedan fuera del alcance de una capa de enrutamiento, y conviene ser claro al respecto en lugar de dar a entender lo contrario.

¿Cuál elegir?

Elige GPT-Live-1 si la conversación es el producto y puedes aceptar un front end alojado y cerrado. Líneas de reservas, soporte de primera línea, cualquier situación en la que quien llama hable por encima del agente sea un evento normal en lugar de una excepción. Estás comprando la gestión de interrupciones, y la compras a una tarifa por minuto que se mantiene predecible, mientras que el razonamiento que hay detrás es la parte que ajustas.

Elige Breeze TTS 2 si necesitas una voz que puedas inspeccionar, si estás construyendo un producto en el que la síntesis es un componente entre muchos, o si necesitas clonación y diseño de voz que GPT-Live-1 no ofrece en absoluto. Entra sabiendo que los pesos son para investigación, que la afirmación de 50 idiomas es una afirmación del proveedor frente a una tarjeta etiquetada para dos idiomas, y que las cifras de latencia son mediciones propias de BreezeBlue en una ruta rápida precalentada en lugar de una auditoría independiente.

El instinto de tratar esto como un concurso de calidad es el instinto equivocado. Breeze TTS 2 está cerca de lo más alto del tablero en el que compite, y GPT-Live-1 compite en un tablero completamente distinto. La decisión que de verdad cuesta dinero es la que subyace a ambas: qué modelo se encarga de pensar y si puedes cambiar de opinión al respecto en una tarde.