AssemblyAI-TTS-1 vs Breeze TTS 2 : un point Elo d’écart, 87 points d’écart

Placez AssemblyAI-TTS-1et Breeze TTS 2 sur le tableau Provider Voice d'Artificial Analysis et ils sont indiscernables : 1 227 contre 1 228, un point Elo, une place sur l'échelle. Placez-les sur le tableau Controlled Voice — où chaque modèle parle les mêmes huit voix clonées — et l'écart s'ouvre à 87 points, 1 108 contre 1 021, avec AssemblyAI dixième et Breeze vingt-huitième. Les deux chiffres sont réels, tous deux ont été relevés le 30 octobre 2026, et la distance entre eux constitue tout l'argument de cette comparaison. L'un de ces modèles est un solide catalogue de voix enveloppé autour d'un modèle acoustique ordinaire. L'autre est un solide modèle acoustique enveloppé autour du prix par caractère le moins cher de la catégorie.

Ce qui suit n’est pas un tirage au sort déguisé en analyse. Les deux produits ciblent des acheteurs différents. AssemblyAI-TTS-1 est une API hébergée d’une entreprise de reconnaissance vocale qui vient d’ajouter une bouche à ses oreilles — propriétaire, 15 $ par million de caractères, six langues, concurrence illimitée. Breeze TTS 2 est un modèle à poids ouverts de 3 milliards de paramètres de BreezeBlue, une startup de quinze personnes, avec un point de terminaison hébergé à 34 $ par million de caractères et une licence des poids qui interdit l’auto-hébergement commercial. Les scores sont suffisamment proches pour être intéressants, et les modèles commerciaux ne pourraient guère être plus différents.

Deux nombres avant tout le reste

Artificial Analysis mène ses tests d’écoute à l’aveugle de manière continue, et les classements évoluent au gré des modèles. Breeze TTS 2 a fait ses débuts en août à 1 215 Elo et au sixième rang global, et était alors présenté comme la meilleure entrée à poids ouverts. Deux mois et une douzaine de lancements plus tard, il affiche 1 228 et le treizième rang — un score plus élevé et un classement moins bon, car le peloton s’est étoffé au-dessus de lui. AssemblyAI-TTS-1 est arrivé le 27 octobre à 1 227 et douzième, puis affichait quatorzième deux jours plus tard avec un score identique. Quiconque cite un rang tiré d’un article de lancement sans date cite un fait obsolète.

• Voix du fournisseur (voix natives) — AssemblyAI-TTS-1 1 227, 14e ; Breeze TTS 2 1 228, 13e

• Voix contrôlée (huit voix clonées partagées) — AssemblyAI-TTS-1 1 108, 10e ; Breeze TTS 2 1 021, 28e

Prix par million de caractères — 15 $ vs 34 $

• Voix — plus de 4 000 voix de bibliothèque et clonage instantané, par opposition aux voix conçues à partir d’une description textuelle, ainsi qu’une bibliothèque complémentaire de 15 000 voix

• Poids — aucun, API uniquement vs téléchargeable mais recherche/non commercial uniquement

• Langues — six au lancement contre 50 revendiquées, fiche de modèle étiquetée anglais et chinois

• Débit — 162 caractères par seconde contre environ 45

La séparation en arène contrôlée est celle qu’il faut intégrer, car c’est la seule mesure de cette comparaison qui maintient une variable constante. Provider Voice permet à chaque modèle de choisir ses propres voix, si bien qu’un modèle doté de 15 000 personnages conçus à la main peut l’emporter sur le choix de casting plutôt que sur l’acoustique. Controlled Voice élimine cet effet. Breeze perd 207 points Elo lorsque ses propres voix sont retirées de l’équation ; AssemblyAI en perd 119. Lorsque la voix est fixée, Breeze n’est pas dans la course — 28e — et AssemblyAI reste dans le top dix.

Pourquoi l’égalité lors d’une écoute en aveugle n’est qu’un mirage

Le classement des fournisseurs est un concours de popularité entre des modèles auxquels chacun est autorisé à apporter sa meilleure voix, et Breeze en apporte beaucoup. L’argument de vente de BreezeBlue est la conception de voix : vous décrivez un personnage en langage naturel et le modèle synthétise un timbre correspondant, puis la direction vocale sépare l’élocution de l’identité, de sorte que vous pouvez demander « chuchoté » ou « précipité » tout en gardant l’interlocuteur reconnaissable comme la même personne. Sa bibliothèque compagne Voice Galaxy contient plus de 15 000 voix de personnages. C’est le genre de catalogue qui remporte un test de préférence à l’aveugle, et c’est aussi le genre de catalogue qui ne vous dit rien sur ce qui se passe lorsque vous donnez à l’un ou l’autre modèle un extrait de référence et lui demandez de parler avec cette voix.

Donnez aux deux modèles une voix clonée et le tableau s’inverse. C’est ce que fait l’arène contrôlée, et c’est là que les chiffres du fournisseur concordent avec ceux des indépendants. Breeze annonce une similarité de locuteur de 0,67 pour ses clones ; AssemblyAI annonce 0,64. Aucun des deux n’est impressionnant, et leur différence se situe dans le bruit. Ce qui n’est pas dans le bruit, c’est l’écart Elo de 87 points sur le même classement. Si votre produit a besoin d’une voix distinctive que vous avez conçue vous-même, les outils de conception de Breeze sont exactement la fonctionnalité qui compte, et sa faiblesse dans l’arène contrôlée est exactement le risque — le modèle peut produire une voix qu’il a créée, et il est moins fiable pour maintenir une voix que vous avez créée.

Ce que le prix achète réellement

15 $ contre 34 $, soit un écart de 2,3x au tarif catalogue, et cet écart se creuse ou se resserre selon votre mode de facturation. AssemblyAI facture par caractère d’entrée, espaces et ponctuation compris, et inclut à un tarif unique toutes les voix de la bibliothèque, toutes les langues prises en charge, le clonage instantané, les horodatages par mot et le traitement aux États-Unis ou dans l’UE, sans plafond de concurrence en paiement à l’usage. Le point de terminaison hébergé de Breeze coûte 34 $ par million de caractères sur la même base de comptage des caractères, et les poids gratuits n’y changent rien pour les utilisateurs commerciaux — la licence s’applique aux sorties auto-hébergées tout comme aux poids eux-mêmes.

Faites le calcul sur un script réel : l'écart est d'environ un dollar par heure d'audio finalisée à un rythme de parole normal — environ 81 cents chez AssemblyAI contre environ 1,84 $ chez Breeze, en utilisant l'estimation standard de 15 caractères par seconde. Pour une entreprise qui génère cent mille heures de parole d'agent par mois, c'est la différence entre 81 000 $ et 184 000 $ — et c'est une différence que vous payez pour des outils de conception de voix que vous n'utiliserez peut-être pas et pour un argument « poids ouverts » sur lequel vous n'êtes peut-être pas autorisé à agir.

La licence est la bifurcation sur la route, et elle oriente Breeze dans la mauvaise direction.

Les poids ouverts sont généralement l’argument qui met fin à une comparaison comme celle-ci : téléchargez-le, exécutez-le sur votre propre matériel, cessez de payer au caractère. Cet argument ne résiste pas au contact de la licence de Breeze TTS 2. Le code d’inférence est sous Apache 2.0 ; les poids et toute sortie d’un déploiement auto-hébergé relèvent d’une licence de recherche et non commerciale qui s’étend aux dérivés, aux LoRAs, aux fusions et aux quantifications. L’auto-hébergement commercial nécessite l’autorisation de BreezeBlue. En pratique, l’API hébergée constitue la voie commerciale, ce qui signifie que le badge « poids ouverts » vous offre l’inspection, l’expérimentation et une échappatoire à négocier — et non une voie de production moins coûteuse.

Comparez cela avec AssemblyAI-TTS-1, qui n'offre aucun poids et ne prétend nullement à l'ouverture. Il s'agit d'un service hébergé, avec une grille tarifaire publiée et un choix de résidence des données. Pour un acheteur qui doit trancher entre les deux, la question n'est pas « ouvert ou fermé », mais « est-ce que je veux signer une licence de recherche et négocier le droit d'exécuter moi-même un modèle de 3B, ou est-ce que je veux une facture au caractère que je peux prévoir ? » La taille de 3B est réellement pratique — environ 7,7 Gio de VRAM dans la configuration eager, un GPU de 12 Go comme minimum indiqué, un facteur temps réel de 0,32 sur un H100, soit environ trois fois plus rapide que le temps réel sur le matériel mesuré par BreezeBlue. C'est le plus petit auto-hébergement crédible de cette catégorie. Simplement, ce n'est pas un auto-hébergement que la plupart des entreprises peuvent utiliser légalement.

Ce que les tableaux Elo ne mesurent pas

Le débit est le domaine où l’avantage d’AssemblyAI cesse de se réduire à un détail négligeable. Artificial Analysis a relevé 162 caractères par seconde pour AssemblyAI-TTS-1, contre environ 45 pour Breeze TTS 2, soit un facteur 3,6 dans la vitesse à laquelle le modèle transforme le texte en audio. Pour une tâche par lots, cela se traduit par une différence de longueur de file d’attente. Pour un agent en temps réel, c’est la différence entre un modèle capable de suivre une personne qui parle vite et un modèle qui ne l’est pas. La réponse de Breeze à cela est son parcours de streaming, qui, selon l’entreprise, atteint moins de 40 ms de temps jusqu’au premier audio ; des mesures indépendantes situent le p50 du temps jusqu’au premier octet autour de 119 ms et le temps jusqu’au premier audio autour de 134 ms, avec un 95e percentile autour de 163 ms. Les chiffres indépendants comparables d’AssemblyAI sont plus rares — un seul laboratoire, 159 ms de latence médiane en streaming — il faut donc considérer que les deux récits de latence sont plus proches l’un de l’autre que ne le suggère le chiffre phare de chaque fournisseur.

En matière de précision sur les chaînes difficiles, l’écart n’est pas mince. L’évaluation fournisseur d’AssemblyAI situe la précision des entités à 93,7 % sur les numéros de téléphone, les URL, les codes et les noms de médicaments, contre 82,5 % pour Cartesia Sonic 3.6 et 68,0 % pour ElevenLabs Flash v2.5 — aucun chiffre pour Breeze n’apparaît dans ce tableau. Breeze n’a jamais publié d’équivalent, et sa fiche modèle ne revendique pas un tel chiffre. Si votre agent confirme des numéros de commande, relit des adresses e-mail ou épelle des codes de confirmation, il s’agit d’un risque non mesuré du côté Breeze et de la force la mieux documentée du fournisseur du côté AssemblyAI.

Là où Breeze est tout simplement le meilleur outil

Rien de tout cela ne fait de Breeze un mauvais modèle ; cela en fait un spécialiste. Si le produit est un jeu avec quarante personnages, une application audio narrative ou un compagnon qui doit ressembler à une personne précise décrite dans une invite plutôt qu’à une voix choisie dans une liste déroulante, le pipeline de conception et de direction de Breeze est une capacité qu’AssemblyAI ne possède sous aucune forme. Les 4 000 voix d’AssemblyAI constituent une bibliothèque dans laquelle vous choisissez ; celles de Breeze sont des voix que vous créez. Ajoutez des événements vocaux intégrés — un rire, un soupir, une respiration écrits dans le script — et vous disposez d’un outil d’interprétation plutôt que d’annonce. Son affirmation de 50 langues dépasse également de loin les six d’AssemblyAI, bien que les propres étiquettes de la fiche du modèle s’arrêtent à l’anglais et au chinois et que personne n’ait vérifié indépendamment la liste plus large.

La contre-objection est celle qui revient sans cesse : 45 caractères par seconde, c’est lent, 1 021 Elo sur des voix contrôlées, c’est ordinaire, et la licence bloque la raison évidente de vouloir des poids ouverts. Breeze TTS 2 est un artefact de recherche avec une voie d’accès commerciale. AssemblyAI-TTS-1 est un produit commercial sans histoire de recherche. Choisissez en fonction de celle de ces phrases qui décrit votre problème.

Si vous pensez avoir besoin des deux

La plupart des équipes qui travaillent sur des agents vocaux finissent par avoir deux fournisseurs de TTS, non pas parce qu'elles le veulent, mais parce que la qualité, la couverture linguistique et le prix se retrouvent rarement sur un seul modèle. Ni AssemblyAI-TTS-1 ni Breeze TTS 2 ne figurent aujourd'hui au catalogue d'OrcaRouter, donc il ne s'agit pas ici de faire la promotion de l'un ou de l'autre ; le conseil honnête est d'intégrer le second avant que le premier ne subisse une panne. C'est précisément le cas de figure pour lequel le basculement automatique existe, et c'est aussi la façon la moins coûteuse de comparer en A/B deux modèles TTS sur votre propre trafic plutôt que sur le jeu de prompts d'un fournisseur — une seule clé, une règle de routage et la répartition du trafic que vous choisissez, au lieu de deux contrats et de deux intégrations SDK.

Nous faisons passer plus de 200 modèles derrière une seule API avec 0 % de marge, en répercutant les prix catalogue des fournisseurs sans modification, ce qui compte ici parce que les tarifs TTS évoluent chaque mois : AssemblyAI est entré à 15 $, Cartesia se situe à 49 $, et le classement qui les classe est remanié toutes les quelques semaines. Les offres TTS que nous proposons sont tts-1 d'OpenAI, tts-1-hd et gpt-4o-mini-tts, ainsi que Gemini 3.1 Flash TTS Preview de Google — utilisables comme second volet pendant que vous décidez si le tarif de 15 $ ou la boîte à outils de conception de voix est ce dont votre produit a réellement besoin.

La décision, clairement énoncée

Choisissez AssemblyAI-TTS-1 si vous construisez un agent à haut volume, principalement anglophone plus cinq langues, qui confirme des chiffres et lit à voix haute des données structurées, et si un avantage de débit de 162 caractères par seconde, plus une concurrence illimitée, plus une grille tarifaire que vous pouvez prévoir comptent davantage pour vous que le fait de disposer de la plus belle voix. Choisissez Breeze TTS 2 si la voix est le produit — si vous devez concevoir des personnages, diriger l'interprétation et tenir une performance sur tout un script — et si vous pouvez vivre avec une licence de poids non commerciale, environ 45 caractères par seconde, et un score de voix contrôlée qui se situe dans le tiers inférieur du classement.

Le seul point à retenir, c’est que ces deux-là ne sont pas vraiment des rivaux. Ils sont à égalité sur un tableau qui récompense le casting et se séparent nettement sur un tableau qui récompense l’acoustique, et le modèle qui paraît le plus faible dans le cas d’égalité est celui qui l’emporte à la mesure, toutes choses égales par ailleurs. Le prix et les licences décident ensuite de tout pour la plupart des acheteurs commerciaux, avant même que l’argument Elo ne se fasse entendre.