AssemblyAI-TTS-1 לעומת Breeze TTS 2: הפרש של נקודת Elo אחת, הפרש של 87 נקודות

הציבו AssemblyAI-TTS-1 ו-Breeze TTS 2 על לוח ה-Provider Voice של Artificial Analysis והם בלתי ניתנים להבחנה: 1,227 מול 1,228, נקודת Elo אחת, מקום אחד בסולם. הציבו אותם על לוח ה-Controlled Voice — שבו כל מודל מדבר באותם שמונה קולות משוכפלים — והפער נפתח ל-87 נקודות, 1,108 מול 1,021, כאשר AssemblyAI במקום העשירי ו-Breeze במקום העשרים ושמיני. שני המספרים אמיתיים, שניהם נקראו ב-30 באוקטובר 2026, והמרחק ביניהם הוא כל הטיעון של ההשוואה הזו. לאחד מהמודלים האלה יש קטלוג קולי חזק שעוטף מודל אקוסטי רגיל. לאחר יש מודל אקוסטי חזק שעוטף את המחיר הזול ביותר לתו בקטגוריה.

מה שמופיע להלן אינו הטלת מטבע שמתחזה לניתוח. שני המוצרים מכוונים לקונים שונים. ‏AssemblyAI-TTS-1 הוא API מתארח של חברת זיהוי דיבור שזה עתה הוסיפה פה לאוזניים שלה — קנייני, 15 דולר למיליון תווים, שש שפות, מקביליות בלתי מוגבלת. ‏Breeze TTS 2 הוא מודל במשקלים פתוחים בעל 3 מיליארד פרמטרים מבית BreezeBlue, סטארט-אפ של חמישה־עשר עובדים, עם נקודת קצה מתארחת במחיר 34 דולר למיליון תווים ורישיון משקלים האוסר אירוח עצמי מסחרי. הציונים קרובים מספיק כדי להיות מעניינים, והמודלים המסחריים כמעט ולא יכולים להיות שונים יותר זה מזה.

שני מספרים לפני כל שאר הדברים

Artificial Analysis מריצה את מבחני ההאזנה העיוורים שלה על בסיס מתגלגל, והלוחות זזים מתחת למודלים. Breeze TTS 2 הופיעה לראשונה באוגוסט עם 1,215 Elo ובמקום השישי הכללי, ודווחה ככניסה המובילה במשקולות פתוחות באותו שלב. חודשיים ותריסר השקות לאחר מכן היא מציגה 1,228 ומקום 13 — ציון גבוה יותר ודירוג גרוע יותר, משום שהתחום התמלא מעליה. AssemblyAI-TTS-1 הגיעה ב-27 באוקטובר עם 1,227 ובמקום ה-12, ושתי ימים לאחר מכן הציגה מקום 14 באותו ציון בדיוק. כל מי שמצטט דירוג מהודעת השקה בלי תאריך מצטט עובדה מיושנת.

• קול ספק (קולות מקוריים) — AssemblyAI-TTS-1 1,227, מקום 14; Breeze TTS 2 1,228, מקום 13

• קול מבוקר (שמונה קולות משובטים משותפים) — AssemblyAI-TTS-1 1,108, מקום 10; Breeze TTS 2 1,021, מקום 28

• מחיר למיליון תווים — $15 לעומת $34

• קולות — יותר מ-4,000 קולות מהספרייה בתוספת שיבוט מיידי לעומת קולות מעוצבים מתיאור טקסט, ובתוספת ספריית לוויין של 15,000 קולות

• משקלים — אין, API בלבד לעומת אפשרות הורדה אך למחקר/שימוש לא מסחרי בלבד

• שפות — שש בהשקה לעומת 50 שהוצהרו, כרטיס המודל מסומן באנגלית ובסינית

• תפוקה — 162 תווים לשנייה לעומת כ-45

פיצול הזירה המבוקרת הוא זה שכדאי להפנים, כי זו המדידה היחידה בהשוואה הזו שמחזיקה משתנה אחד קבוע. Provider Voice מאפשר לכל מודל לבחור את הקולות שלו עצמו, כך שמודל עם 15,000 דמויות מעוצבות ביד יכול לנצח על ליהוק ולא על אקוסטיקה. Controlled Voice מסיר את זה. Breeze מאבד 207 Elo כאשר הקולות שלו עצמו מוצאים מהמשחק; AssemblyAI מאבד 119. כאשר הקול קבוע, Breeze לא נמצא בשיחה — מקום 28 — ו-AssemblyAI עדיין בעשירייה הראשונה.

למה תיקו בהאזנה עיוורת הוא אשליה

לוח הספקים הוא תחרות פופולריות בין מודלים שכל אחד מהם רשאי להביא את הקול הטוב ביותר שלו, ו-Breeze מביא הרבה מהם. ההצעה המרכזית של BreezeBlue היא עיצוב קול: אתם מתארים דמות בשפה טבעית והמודל מסנתז גוון קול מתאים, ואז הכוונת הקול מפרידה בין סגנון ההגשה לזהות, כך שתוכלו לבקש סגנון "לחוש" או "נמהר" כשהדובר נשאר מזוהה כאותו אדם. ספריית Voice Galaxy הנלווית שלה מכילה יותר מ-15,000 קולות של דמויות. זהו סוג הקטלוג שמנצח במבחן העדפה עיוור, וזה גם סוג הקטלוג שלא אומר לכם דבר על מה שקורה כשמוסרים לאחד משני המודלים קטע ייחוס ומבקשים ממנו לדבר בקול הזה.

תנו לשני המודלים קול משובט, והתמונה מתהפכת. זה מה שעושה הזירה המבוקרת, ושם המספרים של הספק עצמו תואמים את המספרים הבלתי תלויים. Breeze מדווחת על דמיון דובר של 0.67 לשיבוטים שלה; AssemblyAI מדווחת על 0.64. אף אחד מהם אינו מרשים, וההבדל ביניהם נמצא בתוך הרעש. מה שלא נמצא בתוך הרעש הוא פער Elo של 87 נקודות על אותו לוח. אם המוצר שלך זקוק לקול ייחודי שעיצבת בעצמך, כלי העיצוב של Breeze הם בדיוק התכונה שחשובה, והחולשה שלה בזירה המבוקרת היא בדיוק הסיכון — המודל יכול להעניק קול שהוא יצר, והוא פחות אמין בהחזקת קול שאתה יצרת.

מה המחיר באמת קונה

15 דולר מול 34 דולר הם פער של פי 2.3 במחיר המחירון, והוא מתרחב או מצטמצם בהתאם לאופן החיוב. AssemblyAI גובה לפי תו קלט, כולל רווחים וסימני פיסוק, וכולל במחיר אחיד כל קול בספרייה, כל שפה נתמכת, שיבוט מיידי, חותמות זמן ברמת המילה ועיבוד בארה"ב או באיחוד האירופי, ללא תקרת מקבילות במסלול תשלום לפי שימוש. נקודת הקצה המארחת של Breeze היא 34 דולר למיליון תווים על אותו בסיס תווים, והמשקולות החינמיות אינן משנות זאת עבור משתמשים מסחריים — הרישיון חל גם על פלטים באירוח עצמי וגם על המשקולות עצמן.

הרץ את החשבון על תסריט אמיתי והפער הוא בערך דולר אחד לכל שעת אודיו מוגמרת בקצב דיבור רגיל: כ-81 סנט ב-AssemblyAI לעומת כ-1.84 דולר ב-Breeze, תוך שימוש באומדן הסטנדרטי של 15 תווים לשנייה. עבור חברה שמייצרת מאה אלף שעות של דיבור סוכנים בחודש, זהו ההבדל בין 81,000 ל-184,000 דולר — וזהו הבדל שאתם משלמים עבור כלי עיצוב קול שאולי לא תשתמשו בהם וסיפור של משקלים פתוחים שאולי לא תורשו לפעול לפיו.

הרישיון הוא נקודת הפיצול בדרך, והוא מצביע בכיוון הלא נכון עבור Breeze

משקלים פתוחים הם בדרך כלל הטיעון שסוגר השוואה מהסוג הזה: הורידו אותו, הריצו אותו על החומרה שלכם, הפסיקו לשלם לפי תו. הטיעון הזה לא שורד מפגש עם הרישיון של Breeze TTS 2. קוד האינפרנס הוא Apache 2.0; המשקלים וכל פלט של פריסה עצמית נופלים תחת רישיון מחקרי-לא-מסחרי שמשתרע גם על נגזרות, LoRA-ים, מיזוגים וקוונטיזציות. אירוח עצמי מסחרי מחייב אישור מ-BreezeBlue. בפועל, ה-API המאוחסן הוא המסלול המסחרי, כלומר תג המשקלים הפתוחים קונה לכם בדיקה, התנסות ופתח מילוט שתצטרכו לנהל משא ומתן עליו — לא מסלול ייצור זול יותר.

השוו זאת ל-AssemblyAI-TTS-1, שאינו מציע משקולות כלל ושאינו מעמיד פנים של פתיחות. זהו שירות מתארח עם מחירון מפורסם ואפשרות לבחירת מיקום נתונים. עבור קונה שמתלבט בין השניים, השאלה אינה "פתוח או סגור" אלא "האם אני רוצה לחתום על רישיון מחקר ולנהל משא ומתן על הזכות להריץ מודל 3B בעצמי, או שאני רוצה חיוב לפי תו שאוכל לחזות?" גודל 3B הוא באמת מעשי — כ-7.7 GiB של VRAM בתצורת eager, כשה-GPU של 12GB הוא המינימום המוצהר, ומקדם זמן אמת של 0.32 על H100, כלומר בערך פי שלושה מהר יותר מזמן אמת על החומרה ש-BreezeBlue מדדה. זהו ה-self-host הקטן והאמין ביותר בקטגוריה הזו. הוא פשוט אינו self-host שרוב החברות יכולות להשתמש בו באופן חוקי.

הדבר שלוחות Elo אינם מודדים

התפוקה היא המקום שבו היתרון של AssemblyAI מפסיק להיות זניח. בנתוני Artificial Analysis נרשמו 162 תווים לשנייה עבור AssemblyAI-TTS-1 לעומת כ-45 עבור Breeze TTS 2 — הבדל של פי 3.6 במהירות שבה המודל הופך טקסט לאודיו. עבור משימת אצווה זהו הבדל באורך התור. עבור סוכן חי זהו ההבדל בין מודל שמסוגל לעמוד בקצב של דובר מהיר לבין מודל שאינו מסוגל. התשובה של Breeze לכך היא נתיב הסטרימינג שלה, שבטענתה מגיע לזמן עד לאודיו הראשון של פחות מ-40 ms; מדידות בלתי תלויות מציבות את זמן ה-p50 עד לבייט הראשון סביב 119 ms ואת הזמן עד לאודיו הראשון סביב 134 ms, עם אחוזון 95 בסביבות 163 ms. הנתונים הבלתי תלויים הדומים של AssemblyAI דלים יותר — מעבדה אחת: חציון השהיית סטרימינג של 159 ms — ולכן יש להתייחס לשני תיאורי ההשהיה כקרובים זה לזה יותר ממה שמשתמע מהכותרות של מי מהספקים.

בדיוק במחרוזות קשות, הפער אינו קטן. הערכת הספק של AssemblyAI מציבה את דיוק הישויות על 93.7% במספרי טלפון, כתובות URL, קודים ושמות תרופות, לעומת 82.5% עבור Cartesia Sonic 3.6 ו-68.0% עבור ElevenLabs Flash v2.5 — אין נתון של Breeze באותה טבלה. Breeze מעולם לא פרסמה נתון מקביל, וכרטיס המודל שלה אינו טוען לכזו. אם הסוכן שלך מאשר מספרי הזמנה, מקריא בחזרה כתובות אימייל או מאיית קודי אישור, זהו סיכון שאינו נמדד בצד של Breeze, והיתרון המתועד ביותר של הספק בצד של AssemblyAI.

כאשר Breeze הוא פשוט הכלי הטוב יותר

שום דבר מהאמור לעיל לא הופך את Breeze למודל גרוע; הוא הופך אותו למומחה. אם המוצר הוא משחק עם ארבעים דמויות, אפליקציית אודיו נרטיבית, או בן לוויה שצריך להישמע כמו אדם ספציפי המתואר בפרומפט ולא כמו קול שנבחר מתוך רשימה נפתחת, צינור העיצוב והכיוון של Breeze הוא יכולת שאין ל-AssemblyAI בשום צורה. 4,000 הקולות של AssemblyAI הם ספרייה שממנה בוחרים; הקולות של Breeze הם קולות שאתם יוצרים. הוסיפו אירועים קוליים בתוך הטקסט — צחוק, אנחה, נשימה הכתובים בתסריט — ויש לכם כלי לביצוע במקום להכרזות. גם הטענה שלו ל-50 שפות נמצאת הרבה מעבר לשש של AssemblyAI, אף שהתגים של כרטיס המודל עצמו מגיעים רק עד אנגלית וסינית ואיש לא אימת באופן עצמאי את הרשימה הרחבה יותר.

הטיעון הנגדי הוא זה שכל הזמן חוזר: 45 תווים לשנייה זה איטי, 1,021 Elo בקולות מבוקרים זה רגיל, והרישיון חוסם את הסיבה הברורה לרצות משקלים פתוחים. Breeze TTS 2 הוא תוצר מחקרי עם נתיב כניסה מסחרי. AssemblyAI-TTS-1 הוא מוצר מסחרי בלי סיפור מחקרי. בחרו לפי איזה מהמשפטים האלה מתאר את הבעיה שלכם.

אם אתה מצפה שתזדקק לשניהם

רוב צוותי סוכני קול מגיעים בסופו של דבר לשני ספקי TTS, לא מתוך בחירה, אלא מפני שאיכות, כיסוי שפות ומחיר רק לעתים רחוקות מתכנסים לכדי מודל אחד. לא AssemblyAI-TTS-1 ולא Breeze TTS 2 נמצאים כיום בקטלוג של OrcaRouter, כך שזה אינו פרסום לאף אחד מהם; העצה הכנה היא לחבר את השני לפני שלראשון תהיה תקלה. זה בדיוק המקרה שלשמו קיים מעבר אוטומטי בין שרתים (failover), וזו גם הדרך הזולה ביותר להשוות בין שני מודלי TTS על התעבורה שלכם ולא על סט הפרומפטים של ספק — מפתח אחד, כלל ניתוב אחד, ופיצול התעבורה שתבחרו, במקום שני חוזים ושתי אינטגרציות SDK.

אנחנו מנתבים יותר מ-200 מודלים מאחורי API אחד ב0% תוספת מחיר, ומעבירים את מחירי הרשימה של הספקים ללא שינוי, וזה חשוב כאן מפני שתמחור TTS זז מדי חודש: AssemblyAI נכנסה ב-15$, Cartesia נמצאת ב-49$, והלוח שמדרג אותן מתערבב מחדש כל כמה שבועות. מסלולי ה-TTS שאנחנו כן מציעים הם tts-1 של OpenAI, tts-1-hd ו-gpt-4o-mini-tts ו-Gemini 3.1 Flash TTS Preview של Google — שמישים כמסלול השני בזמן שאתם מחליטים אם תעריף ה-15$ או ערכת העיצוב הקולי היא הדבר שהמוצר שלכם באמת צריך.

ההחלטה, באומרה בפשטות

בחר ב-AssemblyAI-TTS-1 אם אתה בונה סוכן בנפח גבוה, שרובו אנגלית ועוד חמש שפות, שמאשר מספרים ומקריא נתונים מובנים, ואם יתרון תפוקה של 162 תווים לשנייה, יחד עם הרצה במקביל ללא הגבלה וכרטיס תעריפים שאפשר לחזות, חשובים יותר מאשר הקול היפה ביותר. בחר ב-Breeze TTS 2 אם הקול הוא המוצר — אם אתה צריך לעצב דמויות, לביים את המסירה ולשמור על רמת ביצוע לאורך תסריט — ואם אתה יכול לחיות עם רישיון משקולות לא מסחרי, כ-45 תווים לשנייה, וציון קול מבוקר שנמצא בשליש התחתון של הטבלה.

הנקודה היחידה ששווה לזכור היא ששני אלה אינם באמת יריבים. הם משתווים בלוח שמתגמל קאסטינג, ונבדלים בחדות בלוח שמתגמל אקוסטיקה, והמודל שנראה חלש יותר בתיקו הוא זה שמנצח במדידה כשכל השאר נשאר קבוע. המחיר והרישוי מכריעים את העניין עבור רוב הקונים המסחריים לפני שטיעון ה-Elo זוכה להקשבה.