Rime Prism vs Breeze TTS 2: la licencia es la comparación

Lo más útil que puedes aprender al poner Rime Prism junto a Breeze TTS 2no es cuál suena mejor. Es que uno de ellos es un repositorio Apache-2.0 cuyos pesos de modelo están restringidos a uso de investigación y no comercial, y el otro es un servicio comercial por minuto. Esa única asimetría decide la comparación antes de que la latencia, el precio o la calidad de voz tengan voto. Prism, lanzado el 28 de octubre de 2026, es un modelo alojado de voz a voz a $0,080 por minuto de audio de llamada que escribe cada respuesta como texto antes de pronunciarla. Breeze TTS 2, publicado el 25 de agosto de 2026 por BreezeBlue, es un modelo de texto a voz de 3 mil millones de parámetros y pesos abiertos que ejecutas tú mismo, y es un componente en lugar de un agente.

No son sustitutos. Casi todas las páginas que los posicionan los tratan como dos puntos sobre el mismo eje, y ese enfoque es erróneo de una forma que les cuesta semanas a la gente. Esto es lo que cada uno es en realidad, y dónde reside de verdad la decisión.

Uno es un modelo, el otro es un sistema.

Lee las descripciones en paralelo y el error de categoría se hace evidente.

• Qué hace — Prism recibe el audio del llamante y produce el habla del agente, de extremo a extremo, con un punto de control de texto entre ambos. Breeze TTS 2 recibe texto y produce habla. Punto final.

• Qué reemplaza — Prism reemplaza un modelo de reconocimiento de voz, un modelo de lenguaje y un modelo de síntesis, además del componente que hace que se comporten como una única conversación. Breeze TTS 2 reemplaza el modelo de síntesis, y solo eso.

• Quién lo ejecuta — Prism se ejecuta en la nube de Rime en los niveles Free, Flex y Scale; VPC y on-prem solo en Enterprise. Breeze TTS 2 se ejecuta en tu GPU, y en la de nadie más.

• Lo que aún te queda por construir — con Prism, la capa de políticas que lee el checkpoint. Con Breeze TTS 2, el reconocimiento, la gestión de turnos, la gestión de interrupciones, el modelo de lenguaje, el orquestador y la infraestructura de streaming entre todos ellos.

• Apertura — Prism no publica pesos, ni número de parámetros, ni lista de idiomas. Breeze TTS 2 publica pesos, código de inferencia y una suite de benchmarks.

Si tu equipo lo forman dos personas y el plazo es de un trimestre, «construir una cascada en torno a Breeze» no es un plan, es un proyecto. Si tu equipo ya cuenta con una pila de voz y la capa de síntesis es el eslabón débil, alquilar Prism significa desechar infraestructura que funciona para arreglar un solo componente.

La cláusula de licencia que resulta decisiva para la mayoría de las empresas

de Breeze TTS 2código fuente es Apache 2.0, que se lee como permisiva hasta que llegas a los pesos. Los pesos del modelo, los modelos derivados y los resultados autoalojados están licenciados para investigación y uso no comercial. Eso no es una nota al pie que puedas eludir llamándolo un prototipo. Un despliegue de centro de contacto en producción es uso comercial según cualquier lectura ordinaria, y la licencia pone el riesgo en la parte que ejecuta el modelo — que, con pesos abiertos, eres tú.

Esta es la diferencia entre un modelo que puedes evaluar esta tarde y un modelo que puedes lanzar. La evaluación es gratuita y, en la práctica, sin restricciones: descarga los pesos, ejecuta el código oficial de inferencia de PyTorch, pon tus propios scripts a prueba con él y escucha qué hace. Lanzarlo requiere una licencia comercial de BreezeBlue, y las condiciones de esa licencia no se publican en la página del modelo. Cualquier tabla comparativa que enumere el coste de Breeze TTS 2 como «tiempo de GPU» y se detenga ahí está asumiendo en silencio una licencia que nadie ha presupuestado todavía.

La cuestión de la licencia de Prism es la inversa y mucho más sencilla: es un servicio, el precio es público y el derecho comercial está incluido en la tarifa por minuto. Free tier, Flex, Scale, Enterprise. No hay negociación hasta que se quiera on-prem.

Cuánto cuesta cada uno por minuto, con la aritmética mostrada

Prism es sencillo: $0.080 por minuto de audio de llamada en Flex, $0.064 en Scale, $0 con el crédito gratis hasta que se agoten los $50. Mil minutos cuestan $80 sin incluir la telefonía.

Breeze TTS 2 necesita un ejemplo práctico porque «autoalojado» oculta toda la factura. BreezeBlue publica un factor de tiempo real de 0,32 en una H100 —aproximadamente 3,1 segundos de audio generados por segundo de cómputo— medido en una ruta rápida ya calentada. La inferencia eager necesita unos 7,7 GiB, así que una tarjeta de 12 GB es el mínimo; la ruta --fast-all necesita 14,4 GiB y una tarjeta de 24 GB.

Toma una H100 a aproximadamente $2 por hora de GPU. En una hora tienes 3.600 segundos de cómputo, que con un RTF de 0,32 producen unos 11.200 segundos de audio, o 186 minutos. Divide: aproximadamente $0,011 por minuto de voz generada. Eso es aproximadamente siete veces más barato que la tarifa Flex de Prism, y es la cifra que la gente cita.

No es el número lo que importa. Esos $0.011 excluyen la utilización. Un contact center no funciona al 100% de ocupación de GPU; funciona al pico de su hora más cargada y permanece inactivo el resto del tiempo. Con una utilización media realista del 30%, la tarifa efectiva se triplica hasta unos $0.033/min, y al 15% es de aproximadamente $0.066/min, que es el precio de Prism, sin ninguno de los checkpoint y con toda la carga operativa. El self-hosting solo supera al precio por minuto si puedes mantener la tarjeta ocupada, y la mayoría de los despliegues de voz no pueden, porque su tráfico es intermitente por naturaleza.

Latencia: 40 milisegundos no es un agente de voz

El titular de Breeze TTS 2 es un tiempo hasta el primer audio inferior a 40 ms en una ruta rápida H100. El titular de Prism es 0,57 segundos. Leído de forma aislada, eso parece una derrota de catorce a uno. Es una comparación entre cronómetros distintos.

El reloj de Breeze empieza cuando el texto llega al sintetizador. El reloj de Prism empieza cuando la persona que llama deja de hablar. Entre esos dos puntos se encuentran, en el caso en cascada, el reconocimiento de voz de la intervención de quien llama y un turno completo de modelo de lenguaje — las partes que Breeze no hace. Los tiempos publicados de extremo a extremo en cascada suelen situarse entre 800 ms y 1,5 segundos una vez contabilizados el reconocimiento y la generación, y cada uno de esos milisegundos es un momento en el que la persona que llama se pregunta si se ha cortado la línea.

Los 0,57 s de Prism son una cifra del proveedor procedente de una evaluación realizada por el propio proveedor con el banco de pruebas τ-Voice, y es la cifra que debe compararse con otros modelos de voz a voz de extremo a extremo, no con un componente. La afirmación justa es que Breeze TTS 2 es el sintetizador más rápido de esta comparación por un amplio margen, y Prism es el sistema completo más rápido de la misma — porque es el único sistema completo que hay en ella.

Hay un punto en el que la comparación directa sí se sostiene. Si de todos modos estás construyendo una cascada —porque tu modelo de lenguaje hace algo que ni Breeze ni Prism pueden hacer, o porque necesitas un motor de inferencia específico—, entonces los 40 ms de Breeze son una ventaja real de 500 milisegundos frente al presupuesto total de Prism dedicado únicamente al salto de síntesis. En esa arquitectura no estás comparando Breeze con Prism. Estás comparando una cascada de Breeze con una de Prism, y el salto de síntesis es solo uno de los términos de la suma.

Dónde cada uno realmente gana

Breeze TTS 2 gana cuando la salida no es una conversación. El doblaje, la narración, el audio para un juego, una voz para un producto con 200 frases fijas: todo esto necesita un sintetizador, no un agente, y ninguno de ellos necesita un punto de control de políticas previo al habla. El modo de diseño de voz de Breeze genera una voz a partir de una descripción en lenguaje natural sin audio de referencia, la dirección de voz guía el tono y el ritmo de un clon existente, y etiquetas integradas como (laugh) y (sigh) aportan expresividad sin un segundo modelo. Para ese trabajo, la cuestión de la licencia puede que ni siquiera surja, y la economía por minuto es irrelevante porque no existe un medidor por minuto.

Prism gana cuando la restricción es lo que se le permite decir al agente. Una frase que debe revisarse, una divulgación que debe aparecer literalmente, un número de cuenta que debe deletrearse en lugar de pronunciarse como una palabra: todo eso necesita el punto de control de texto, y Breeze TTS 2 no tiene equivalente porque el texto que recibe ya es definitivo para cuando lo ve. Puedes construir una barrera de protección río arriba en una cascada, y hay quien lo hace, pero entonces estás protegiendo la salida del modelo de lenguaje en una canalización que tú mismo montaste, que es la mayor parte del trabajo que vende Prism.

Breeze TTS 2 también gana en transparencia. Puedes leer los pesos, ejecutarlo sin conexión, reproducir las afirmaciones del proveedor sobre benchmarks en tu propio hardware y saber exactamente qué cambió entre versiones. Prism te ofrece una API y una nota de lanzamiento. Para un equipo que se ha visto perjudicado por un proveedor que cambió una voz en silencio a mitad de trimestre, eso vale algo real.

Si mantienes la cascada, la capa de modelo es enrutable.

La cascada en la que encaja Breeze TTS 2 todavía necesita un modelo de lenguaje, y esa es la parte que cubre OrcaRouter. Prism lo vende directamente Rime y no está en nuestro catálogo; Breeze TTS 2 es autoalojado y tampoco está en él. Lo que sí está en él es todo lo que los rodea: una clave para más de 200 modelos con un 0% de recargo sobre el precio de lista del proveedor, con conmutación por error automática cuando un proveedor se degrada a mitad de llamada y un DSL de enrutamiento para decidir qué modelo se encarga de qué turno. Para un agente de voz esa es la configuración útil: un modelo pequeño para el acuse mientras quien llama sigue hablando, uno más grande para la consulta, un único endpoint y una única factura.

El lado de TTS también está cubierto: openai/tts-1-hd y google/gemini-3.1-flash-tts-preview se pueden enrutar ambos hoy a precio de lista. No son Breeze TTS 2 ni Prism, pero son los dos extremos de la cascada sin un segundo contrato.

La decisión, en una sola pasada

Haz dos preguntas en este orden y, por lo general, la respuesta sale sola.

Primero: ¿algo de lo que dice tu agente necesita aprobación antes de que lo escuche una persona? Si la respuesta es sí, Prism es la única opción de este par que tiene un lugar donde colocar esa aprobación, y el precio de la licencia — $0.08/min — es el precio del control. Si la respuesta es no, continúa.

Segundo: ¿puedes mantener una GPU ocupada? Si tu carga de síntesis funciona cerca de su capacidad máxima y cuentas con un equipo de ingeniería capaz de asumir una cascada, Breeze TTS 2 a 0,011 $/min de cómputo es la respuesta económica mejor por un factor de siete, siempre que consigas una licencia comercial antes de lanzarlo. Si no puedes mantener la tarjeta ocupada, el coste efectivo acaba convergiendo igualmente en el de Prism, y para lograrlo habrás asumido todo el stack.

La única respuesta que está mal es la que dan las páginas de rankings: que Breeze es más barato, así que gana Breeze. Más barato por minuto de audio, sí. Pero no estás comprando audio de Breeze TTS 2 — estás comprando un sintetizador y luego construyendo un agente de voz alrededor de él, y nadie ha publicado una partida para eso.

La salvedad sobre los benchmarks de proveedores también va aquí. Las cifras publicadas por BreezeBlue —un factor de tiempo real de 0,32 y menos de 40 ms hasta el primer audio en una ruta rápida con una H100 ya calentada— son suyas, obtenidas con un modelo de inglés y chino, y la frase «puesto n.º 1 entre los modelos de pesos abiertos en la clasificación TTS de Artificial Analysis» es una declaración de posicionamiento del proveedor más que una puntuación: en la clasificación en vivo, actualmente ocupa alrededor del séptimo puesto en la general. El 56,6 de Prism en τ-Voice también procede de una prueba realizada por el proveedor. Ninguna de las dos cifras tiene un árbitro independiente, y eso es lo único que ambas tienen realmente en común.