Rime Prism vs Breeze TTS 2 : c'est la licence qui fait la comparaison

La chose la plus utile que l’on puisse apprendre en plaçant Rime Prism à côté de Breeze TTS 2, ce n’est pas lequel sonne le mieux. C’est que l’un d’eux est un dépôt Apache-2.0 dont les poids du modèle sont limités à un usage de recherche et non commercial, tandis que l’autre est un service commercial facturé à la minute. Cette seule asymétrie tranche la comparaison avant que la latence, le prix ou la qualité de la voix n’aient leur mot à dire. Prism, lancé le 28 octobre 2026, est un modèle parole-à-parole hébergé à 0,080 $ par minute d’audio d’appel, qui écrit chaque réponse sous forme de texte avant de la prononcer. Breeze TTS 2, publié le 25 août 2026 par BreezeBlue, est un modèle texte-à-parole à poids ouverts de 3 milliards de paramètres que vous exécutez vous-même, et c’est un composant plutôt qu’un agent.

Ce ne sont pas des substituts. Presque toutes les pages qui les classent les traitent comme deux points sur le même axe, et ce cadrage est faux d’une manière qui fait perdre des semaines aux gens. Voici ce que chacun est réellement, et où se situe vraiment la décision.

L'un est un modèle, l'autre est un système.

Lisez les descriptions côte à côte et l'erreur de catégorie devient évidente.

• Ce qu'il fait — Prism prend l'audio de l'appelant en entrée et produit la parole de l'agent en sortie, de bout en bout, avec un point de contrôle textuel entre les deux. Breeze TTS 2 prend du texte en entrée et produit de la parole en sortie. Point final.

• Ce qu’il remplace — Prism remplace un modèle de reconnaissance vocale, un modèle de langage et un modèle de synthèse, ainsi que la colle qui les fait se comporter comme une seule conversation. Breeze TTS 2 remplace le modèle de synthèse, et uniquement celui-ci.

• Qui s'en occupe — Prism tourne sur le cloud de Rime pour les formules Free, Flex et Scale ; VPC et on-prem uniquement sur Enterprise. Breeze TTS 2 tourne sur votre GPU, et sur aucun autre.

• Ce qu'il vous reste encore à construire — avec Prism, la couche de politique qui lit le checkpoint. Avec Breeze TTS 2, la reconnaissance, la gestion des tours de parole, la gestion des interruptions, le modèle de langage, l'orchestrateur et l'infrastructure de streaming entre tous ces éléments.

• Ouverture — Prism ne publie ni les poids, ni le nombre de paramètres, ni la liste des langues. Breeze TTS 2 publie les poids, le code d’inférence et une suite de benchmarks.

Si votre équipe compte deux personnes et que l'échéance est d'un trimestre, « construire une cascade autour de Breeze » n'est pas un plan, c'est un projet. Si votre équipe dispose déjà d'une pile vocale et que la couche de synthèse est le maillon faible, louer Prism revient à jeter une infrastructure qui fonctionne pour réparer un seul composant.

La clause de licence qui est décisive pour la plupart des entreprises

de Breeze TTS 2Le code source est sous Apache 2.0, ce qui paraît permissif jusqu’à ce qu’on arrive aux poids. Les poids du modèle, les modèles dérivés et les sorties auto-hébergées sont sous licence pour la recherche et un usage non commercial. Ce n’est pas une note en bas de page que l’on peut contourner en le qualifiant de prototype. Un déploiement de centre de contact en production constitue un usage commercial selon toute lecture ordinaire, et la licence fait peser le risque sur la partie qui exploite le modèle — qui, avec des poids ouverts, est vous.

C’est la différence entre un modèle que vous pouvez évaluer cet après-midi et un modèle que vous pouvez déployer. L’évaluation est gratuite et, en pratique, sans restrictions : téléchargez les poids, exécutez le code d’inférence PyTorch officiel, faites passer vos propres scripts, écoutez ce qu’il produit. Le déploiement exige une licence commerciale de BreezeBlue, et les termes de cette licence ne sont pas publiés sur la page du modèle. Tout tableau comparatif qui indique le coût de Breeze TTS 2 comme « temps GPU » et s’arrête là suppose silencieusement une licence que personne n’a encore chiffrée.

La question de la licence de Prism est l’inverse et bien plus simple : c’est un service, le prix est publié, et le droit commercial est inclus dans le tarif à la minute. Offre gratuite, Flex, Scale, Enterprise. Aucune négociation tant que vous ne voulez pas d’on-prem.

Combien chacun coûte par minute, avec le calcul détaillé

Prism est simple : 0,080 $ par minute d’audio d’appel sur Flex, 0,064 $ sur Scale, 0 $ sur le crédit gratuit jusqu’à épuisement des 50 $. Mille minutes coûtent 80 $ hors téléphonie.

Breeze TTS 2 a besoin d'un exemple concret, car « auto-hébergé » masque toute la facture. BreezeBlue publie un facteur temps réel de 0,32 sur une H100 — soit environ 3,1 secondes d'audio générées par seconde de calcul — mesuré sur un chemin rapide préchauffé. L'inférence en mode eager nécessite environ 7,7 GiB, donc une carte de 12 Go constitue le minimum ; le chemin --fast-all nécessite 14,4 GiB et une carte de 24 Go.

Prenez un H100 à environ 2 $ par heure-GPU. En une heure, vous disposez de 3 600 secondes de calcul, ce qui, à un RTF de 0,32, produit environ 11 200 secondes d’audio, soit 186 minutes. Divisez : environ 0,011 $ par minute de parole générée. C’est environ sept fois moins cher que le tarif Flex de Prism — et c’est le chiffre que les gens citent.

Ce n’est pas le chiffre qui compte. Ces 0,011 $ excluent l’utilisation. Un centre de contact ne tourne pas à 100 % d’occupation des GPU ; il tourne au pic de son heure la plus chargée et reste inactif le reste du temps. À un taux d’utilisation moyen réaliste de 30 %, le tarif effectif triple pour atteindre environ 0,033 $/min, et à 15 %, il est d’environ 0,066 $/min — soit le prix de Prism, sans le checkpoint et avec toute la charge opérationnelle. L’auto-hébergement ne bat la tarification à la minute que si vous pouvez garder la carte occupée, et la plupart des déploiements vocaux ne le peuvent pas, car leur trafic est par nature en rafales.

Latence : 40 millisecondes, ce n'est pas un agent vocal.

Le chiffre phare de Breeze TTS 2 est un délai jusqu’au premier audio inférieur à 40 ms sur une voie rapide H100. Celui de Prism est de 0,57 seconde. Lu isolément, cela ressemble à une défaite de quatorze contre un. C’est une comparaison entre des chronomètres différents.

Le chronomètre de Breeze démarre lorsque le texte arrive au synthétiseur. Celui de Prism démarre lorsque l'appelant cesse de parler. Entre ces deux points se trouvent, dans le cas d'une cascade, la reconnaissance vocale de l'énoncé de l'appelant et un tour complet du modèle de langage — les étapes que Breeze n'effectue pas. Les temps de bout en bout des cascades publiés tombent régulièrement entre 800 ms et 1,5 seconde une fois la reconnaissance et la génération prises en compte, et chacune de ces millisecondes est un instant où l'appelant se demande si la ligne n'a pas été coupée.

Les 0,57 s de Prism sont un chiffre fourni par le fournisseur, issu d’une évaluation menée par le fournisseur sur le banc d’essai τ-Voice, et c’est le chiffre à comparer aux autres modèles parole-à-parole de bout en bout, et non à un composant. La formulation juste est la suivante : Breeze TTS 2 est le synthétiseur le plus rapide de cette comparaison, et de loin, tandis que Prism y est le système complet le plus rapide — parce qu’il est le seul système complet qui y figure.

Il y a un cas où la comparaison brute tient réellement. Si vous construisez de toute façon une cascade — parce que votre modèle de langage fait quelque chose que Breeze et Prism ne peuvent pas faire tous les deux, ou parce que vous avez besoin d’un moteur d’inférence spécifique — alors les 40 ms de Breeze constituent un véritable avantage de 500 millisecondes sur le budget total de Prism consacré à la seule étape de synthèse. Dans cette architecture, vous ne comparez pas Breeze à Prism. Vous comparez une cascade Breeze à une cascade Prism, et l’étape de synthèse n’est qu’un terme de la somme.

Là où chacun gagne vraiment

Breeze TTS 2 s’impose lorsque la sortie n’est pas une conversation. Doublage, narration, audio pour un jeu, voix pour un produit avec 200 phrases fixes — tout cela nécessite un synthétiseur, pas un agent, et aucun de ces cas n’a besoin d’un point de contrôle de politique avant la prise de parole. Le mode de conception vocale de Breeze génère une voix à partir d’une description en langage naturel, sans audio de référence ; la direction vocale ajuste le ton et le rythme d’un clone existant, et des balises intégrées comme (laugh) et (sigh) ajoutent de l’interprétation sans second modèle. Pour ce type de travail, la question de la licence peut même ne pas se poser, et l’économie à la minute n’a aucune importance, car il n’y a pas de compteur à la minute.

Prism l'emporte lorsque la contrainte porte sur ce que l'agent est autorisé à dire. Une phrase qui doit être relue, une mention qui doit apparaître mot pour mot, un numéro de compte qui doit être énoncé chiffre par chiffre plutôt que prononcé comme un mot : tout cela nécessite le point de contrôle texte, et Breeze TTS 2 n'a pas d'équivalent, car le texte qu'il reçoit est déjà définitif au moment où il le voit. Vous pouvez mettre en place un garde-fou en amont dans une cascade, et certains le font, mais vous protégez alors la sortie du modèle de langage dans un pipeline que vous avez assemblé, ce qui représente l'essentiel du travail que vend Prism.

Breeze TTS 2 l'emporte aussi sur la transparence. Vous pouvez lire les poids, l'exécuter hors ligne, reproduire les résultats de référence annoncés par le fournisseur sur votre propre matériel et savoir exactement ce qui a changé entre les versions. Prism vous fournit une API et une note de version. Pour une équipe qui a été échaudée par un fournisseur modifiant discrètement une voix en cours de trimestre, cela a une vraie valeur.

Si vous conservez la cascade, la couche modèle est routable.

La cascade dans laquelle s'intègre Breeze TTS 2 a toujours besoin d'un modèle de langage, et c'est précisément le rôle que couvre OrcaRouter. Prism est vendu en direct par Rime et ne figure pas dans notre catalogue ; Breeze TTS 2 est auto-hébergé et n'y figure pas non plus. Ce qui y figure, c'est tout ce qui les entoure : une seule clé pour plus de 200 modèles, à 0 % de marge par rapport au prix catalogue du fournisseur, avec un basculement automatique lorsqu'un fournisseur se dégrade en cours d'appel et un DSL de routage pour décider quel modèle traite quel tour. Pour un agent vocal, c'est la forme utile — un petit modèle pour l'accusé de réception pendant que l'appelant parle encore, un plus grand pour la recherche, un seul point de terminaison et une seule facture.

Le côté TTS est également couvert : openai/tts-1-hd et google/gemini-3.1-flash-tts-preview sont tous deux routables aujourd’hui au prix catalogue. Ce ne sont pas Breeze TTS 2 ni Prism, mais ce sont les deux extrémités de la cascade sans second contrat.

La décision, en une seule passe

Posez deux questions dans cet ordre et la réponse apparaît généralement d'elle-même.

Premièrement : ce que dit votre agent doit-il être approuvé avant qu'un humain ne l'entende ? Si oui, Prism est la seule option de cette paire qui offre un endroit où consigner cette approbation, et le prix de la licence — 0,08 $/min — est le prix du contrôle. Si non, continuez.

Deuxièmement : pouvez-vous maintenir un GPU occupé ? Si votre charge de synthèse tourne près de la capacité maximale et que vous disposez d’une équipe d’ingénierie pour prendre en charge une cascade, Breeze TTS 2 à 0,011 $/min de calcul est la meilleure réponse économique, par un facteur de sept, à condition d’obtenir une licence commerciale avant de le commercialiser. Si vous ne pouvez pas maintenir la carte occupée, le coût effectif converge de toute façon vers celui de Prism, et vous avez assumé toute la pile pour y parvenir.

La seule réponse qui soit fausse est celle que donnent les pages de classement : Breeze est moins cher, donc Breeze gagne. Moins cher à la minute d’audio, oui. Mais vous n’achetez pas de l’audio à Breeze TTS 2 — vous achetez un synthétiseur, puis vous construisez un agent vocal autour, et personne n’a publié de ligne de coût pour cela.

La réserve sur les benchmarks du fournisseur vaut aussi ici. Les chiffres publiés par BreezeBlue — un facteur temps réel de 0,32 et moins de 40 ms avant le premier son sur un chemin rapide H100 préchauffé — sont les siens, obtenus sur un modèle anglais-chinois, et la mention « n° 1 parmi les modèles à poids ouverts au classement TTS d'Artificial Analysis » relève d'une déclaration de positionnement commercial plutôt que d'un score : sur le classement en direct, le modèle pointe actuellement autour de la septième place au général. Le 56,6 de Prism sur τ-Voice est lui aussi issu d'un test du fournisseur. Aucun de ces deux chiffres n'a été validé par un tiers indépendant — c'est bien la seule chose que ces deux-là ont réellement en commun.