AssemblyAI-TTS-1 vs Breeze TTS 2: Selisih Satu Poin Elo, Selisih 87 Poin

Tempatkan AssemblyAI-TTS-1 dan Breeze TTS 2 di papan Provider Voice milik Artificial Analysis dan keduanya tak bisa dibedakan: 1.227 berbanding 1.228, selisih satu poin Elo, satu peringkat di tangga. Tempatkan keduanya di papan Controlled Voice — tempat setiap model membacakan delapan suara hasil kloning yang sama — dan jurangnya melebar menjadi 87 poin, 1.108 berbanding 1.021, dengan AssemblyAI di peringkat kesepuluh dan Breeze di peringkat kedua puluh delapan. Kedua angka itu nyata, keduanya dibaca pada 30 Oktober 2026, dan jarak di antara keduanya adalah seluruh inti perbandingan ini. Salah satu model ini memiliki katalog suara yang kuat yang membungkus model akustik biasa. Yang lain memiliki model akustik yang kuat yang membungkus harga per karakter termurah di kategorinya.

Yang berikut ini bukanlah lempar koin yang didandani sebagai analisis. Kedua produk ini menyasar pembeli yang berbeda. AssemblyAI-TTS-1 adalah API hosted dari perusahaan pengenalan suara yang baru saja menambahkan mulut pada telinganya — proprietary, $15 per juta karakter, enam bahasa, konkurensi tanpa batas. Breeze TTS 2 adalah model open-weights berparameter 3 miliar dari BreezeBlue, sebuah startup beranggotakan lima belas orang, dengan endpoint hosted seharga $34 per juta karakter dan lisensi bobot yang melarang self-hosting komersial. Skor keduanya cukup berdekatan sehingga menarik, dan model komersialnya praktis tidak bisa lebih berbeda lagi.

Dua angka sebelum bagian mana pun dari sisanya

Artificial Analysis menjalankan uji mendengarkan secara buta secara bergulir, dan papan peringkat bergerak seiring model-model. Breeze TTS 2 debut pada Agustus dengan 1.215 Elo dan peringkat keenam secara keseluruhan, serta dilaporkan sebagai entri open-weights teratas pada saat itu. Dua bulan dan selusin peluncuran kemudian, skornya terbaca 1.228 dan peringkat ketiga belas — skor lebih tinggi tetapi peringkat lebih buruk, karena posisi di atasnya terisi. AssemblyAI-TTS-1 hadir pada 27 Oktober dengan 1.227 dan peringkat kedua belas, lalu terbaca peringkat keempat belas dua hari kemudian dengan skor yang identik. Siapa pun yang mengutip peringkat dari postingan peluncuran tanpa tanggal sedang mengutip fakta yang sudah usang.

• Suara Penyedia (suara asli) — AssemblyAI-TTS-1 1,227, ke-14; Breeze TTS 2 1,228, ke-13

Suara Terkendali (delapan suara kloning bersama) — AssemblyAI-TTS-1 1.108, ke-10; Breeze TTS 2 1.021, ke-28

• Harga per juta karakter — $15 vs $34

• Suara — 4.000+ suara pustaka plus kloning instan vs suara yang dirancang dari deskripsi teks, plus pustaka pendamping 15.000 suara

• Bobot — tidak ada, hanya API vs dapat diunduh tetapi hanya untuk penelitian/non-komersial

• Bahasa — enam saat peluncuran vs 50 yang diklaim, kartu model ditandai bahasa Inggris dan Tionghoa

• Laju pemrosesan — 162 karakter per detik vs sekitar 45

Split arena terkendali adalah hal yang perlu diinternalisasi, karena ini satu-satunya pengukuran dalam perbandingan ini yang menjaga satu variabel tetap konstan. Provider Voice memungkinkan setiap model memilih suaranya sendiri, sehingga model dengan 15.000 karakter yang dirancang secara manual dapat menang dalam hal pemilihan suara, bukan akustik. Controlled Voice menghilangkan faktor itu. Breeze kehilangan 207 Elo saat suaranya sendiri tidak lagi dipertimbangkan; AssemblyAI kehilangan 119. Saat suaranya ditetapkan, Breeze tidak masuk hitungan — peringkat 28 — dan AssemblyAI masih berada di sepuluh besar.

Mengapa hasil imbang dalam uji dengar buta hanyalah fatamorgana

Papan penyedia adalah kontes popularitas antarmodel yang masing-masing diizinkan menampilkan suara terbaiknya, dan Breeze membawa banyak suara. Tawaran BreezeBlue adalah desain suara: Anda mendeskripsikan karakter dalam bahasa alami dan model menyintesis timbre yang cocok, lalu pengarahan suara memisahkan gaya penyampaian dari identitas sehingga Anda dapat meminta "berbisik" atau "terburu-buru" sementara penutur tetap dikenali sebagai orang yang sama. Pustaka pendamping Voice Galaxy memuat lebih dari 15.000 suara karakter. Itu adalah jenis katalog yang memenangkan uji preferensi buta, dan juga jenis katalog yang tidak memberi tahu Anda apa pun tentang apa yang terjadi ketika Anda memberikan klip referensi kepada salah satu dari kedua model dan memintanya berbicara dengan suara tersebut.

Beri kedua model suara hasil kloning, dan gambaran pun terbalik. Itulah yang dilakukan arena terkontrol, dan di situlah angka milik vendor sendiri sejalan dengan angka independen. Breeze melaporkan kemiripan pembicara 0,67 untuk klonnya; AssemblyAI melaporkan 0,64. Keduanya tidak mengesankan, dan perbedaan di antara keduanya berada di dalam noise. Yang tidak berada di dalam noise adalah selisih Elo 87 poin pada papan yang sama. Jika produk Anda membutuhkan suara khas yang Anda rancang sendiri, alat desain Breeze adalah persis fitur yang penting dan kelemahannya di arena terkontrol adalah persis risikonya — model dapat menghasilkan suara yang dibuatnya, dan kurang andal dalam mempertahankan suara yang Anda buat.

Apa yang sebenarnya dibeli oleh harga tersebut

$15 dibandingkan $34 adalah selisih 2,3x pada harga daftar, dan selisih itu bisa melebar atau menyempit tergantung cara Anda menagih. AssemblyAI mengenakan biaya per karakter masukan termasuk spasi dan tanda baca serta menyertakan setiap suara pustaka, setiap bahasa yang didukung, kloning instan, stempel waktu kata, dan pemrosesan AS-atau-UE dengan satu tarif, tanpa batas konkrensi pada pay-as-you-go. Endpoint terhosting Breeze adalah $34 per juta karakter berdasarkan basis karakter yang sama, dan bobot gratis tidak mengubah itu bagi pengguna komersial — lisensi melekat pada keluaran yang dihosting sendiri maupun pada bobot itu sendiri.

Jika perhitungan dijalankan pada skrip nyata, selisihnya sekitar satu dolar per jam audio final pada tempo bicara normal: sekitar 81 sen pada AssemblyAI versus sekitar $1,84 pada Breeze, dengan menggunakan estimasi standar 15 karakter per detik. Bagi perusahaan yang menghasilkan seratus ribu jam ucapan agen per bulan, itu adalah selisih antara $81.000 dan $184.000 — dan itu adalah selisih yang Anda bayar untuk alat desain suara yang mungkin tidak Anda gunakan serta narasi open-weights yang mungkin tidak diizinkan untuk Anda tindaklanjuti.

Lisensi adalah persimpangan jalan, dan itu mengarah ke arah yang salah bagi Breeze.

Bobot terbuka biasanya menjadi argumen yang mengakhiri perbandingan semacam ini: unduh, jalankan di perangkat Anda sendiri, berhenti membayar per karakter. Argumen itu tidak bertahan saat bersentuhan dengan lisensi Breeze TTS 2. Kode inferensinya Apache 2.0; bobot dan semua keluaran dari penerapan mandiri tunduk pada lisensi riset-dan-nonkomersial yang mencakup turunan, LoRAs, merge, dan kuantisasi. Penerapan mandiri untuk komersial memerlukan otorisasi dari BreezeBlue. Dalam praktiknya, API yang dihosting adalah jalur komersial, yang berarti lencana open-weights memberi Anda inspeksi, eksperimen, dan jalan keluar yang harus dinegosiasikan — bukan jalur produksi yang lebih murah.

Bandingkan itu dengan AssemblyAI-TTS-1, yang tidak menawarkan bobot sama sekali dan tidak berpura-pura terbuka. Layanan ini adalah layanan terkelola (hosted) dengan daftar tarif resmi yang dipublikasikan dan pilihan residensi data. Bagi pembeli yang harus memutuskan di antara keduanya, pertanyaannya bukanlah "terbuka atau tertutup", melainkan "apakah saya ingin menandatangani lisensi riset dan bernegosiasi untuk hak menjalankan model 3B sendiri, atau apakah saya ingin tagihan per karakter yang bisa saya perkirakan?" Ukuran 3B itu benar-benar praktis — sekitar 7,7 GiB VRAM dalam konfigurasi eager, GPU 12GB sebagai minimum yang dinyatakan, faktor real-time 0,32 pada H100, sehingga kira-kira tiga kali lebih cepat daripada waktu nyata pada perangkat keras yang diukur BreezeBlue. Ini adalah self-host terkecil yang kredibel di kategori ini. Hanya saja, ini bukan self-host yang bisa digunakan secara legal oleh sebagian besar perusahaan.

Hal yang tidak diukur oleh papan Elo

Throughput adalah titik di mana keunggulan AssemblyAI tidak lagi sekadar selisih pembulatan. Artificial Analysis mencatat 162 karakter per detik untuk AssemblyAI-TTS-1 dibandingkan sekitar 45 untuk Breeze TTS 2 — perbedaan 3,6x dalam seberapa cepat model mengubah teks menjadi audio. Untuk pekerjaan batch, itu adalah perbedaan panjang antrean. Untuk agen live, itu adalah perbedaan antara model yang mampu mengimbangi orang yang berbicara cepat dan model yang tidak. Jawaban Breeze untuk ini adalah jalur streaming-nya, yang menurutnya mencapai waktu hingga audio pertama di bawah 40 ms; pengukuran independen menempatkan p50 waktu hingga byte pertama sekitar 119 ms dan waktu hingga audio pertama sekitar 134 ms, dengan persentil ke-95 sekitar 163 ms. Angka independen yang sebanding dari AssemblyAI lebih minim — satu lab, latensi streaming median 159 ms — jadi perlakukan kedua cerita latensi itu sebagai lebih berdekatan satu sama lain daripada yang disiratkan oleh angka utama masing-masing vendor.

Dalam hal akurasi hard-string, selisihnya tidak tipis. Evaluasi vendor AssemblyAI menempatkan akurasi entitas pada 93,7% untuk nomor telepon, URL, kode, dan nama obat, dibandingkan dengan 82,5% untuk Cartesia Sonic 3.6 dan 68,0% untuk ElevenLabs Flash v2.5 — tidak ada angka Breeze dalam tabel tersebut. Breeze belum pernah menerbitkan angka yang setara, dan kartu modelnya tidak mengklaimnya. Jika agen Anda mengonfirmasi nomor pesanan, membacakan kembali alamat email, atau mengeja kode konfirmasi, itu adalah risiko yang belum terukur di sisi Breeze dan kekuatan yang paling terdokumentasi dari vendor di sisi AssemblyAI.

Di mana Breeze hanyalah alat yang lebih baik

Tak satu pun dari hal di atas membuat Breeze menjadi model yang buruk; itu justru menjadikannya spesialis. Jika produknya adalah gim dengan empat puluh karakter, aplikasi audio naratif, atau pendamping yang perlu terdengar seperti orang tertentu yang dijelaskan dalam prompt alih-alih suara yang dipilih dari dropdown, alur desain dan pengarahan Breeze adalah kemampuan yang tidak dimiliki AssemblyAI dalam bentuk apa pun. 4.000 suara AssemblyAI adalah pustaka yang Anda pilih; suara Breeze adalah suara yang Anda ciptakan. Tambahkan peristiwa vokal inline — tawa, desahan, napas yang ditulis ke dalam naskah — dan Anda memiliki alat untuk pertunjukan, bukan untuk pengumuman. Klaim 50 bahasanya juga jauh melampaui enam bahasa AssemblyAI, meskipun tag pada kartu modelnya sendiri berhenti di bahasa Inggris dan Mandarin dan belum ada yang memverifikasi daftar yang lebih luas itu secara independen.

Bantahan yang terus muncul kembali adalah ini: 45 karakter per detik itu lambat, 1.021 Elo pada suara terkontrol itu biasa saja, dan lisensinya menghalangi alasan jelas untuk menginginkan bobot terbuka. Breeze TTS 2 adalah artefak riset dengan jalur masuk komersial. AssemblyAI-TTS-1 adalah produk komersial tanpa cerita riset. Pilih berdasarkan kalimat mana di antara itu yang menggambarkan masalah Anda.

Jika Anda memperkirakan akan membutuhkan keduanya

Sebagian besar tim voice-agent berakhir dengan dua vendor TTS, bukan karena mereka menginginkannya, tetapi karena kualitas, cakupan bahasa, dan harga jarang bertemu pada satu model. AssemblyAI-TTS-1 maupun Breeze TTS 2 tidak ada dalam katalog OrcaRouter saat ini, jadi ini bukan promosi untuk salah satunya; saran jujurnya adalah menyambungkan yang kedua sebelum yang pertama mengalami gangguan. Itulah kasus yang menjadi alasan failover otomatis ada, dan itu juga cara termurah untuk melakukan A/B dua model TTS terhadap traffic Anda sendiri, bukan terhadap set prompt vendor—satu kunci, satu aturan routing, dan pembagian traffic yang Anda pilih, alih-alih dua kontrak dan dua integrasi SDK.

Kami merutekan lebih dari 200 model di balik satu API dengan markup 0%, meneruskan harga daftar penyedia tanpa perubahan, yang penting di sini karena harga TTS bergerak setiap bulan: AssemblyAI masuk di $15, Cartesia berada di $49, dan papan peringkat yang mengurutkan mereka berganti susunan setiap beberapa minggu. Layanan TTS yang kami sediakan adalah tts-1 milik OpenAI, tts-1-hd dan gpt-4o-mini-tts serta Gemini 3.1 Flash TTS Preview dari Google — dapat dipakai sebagai layanan kedua sambil Anda memutuskan apakah tarif $15 atau toolkit desain suara yang sebenarnya dibutuhkan produk Anda.

Keputusan itu, dinyatakan secara gamblang.

Pilih AssemblyAI-TTS-1 jika Anda membangun agen bervolume tinggi yang sebagian besar berbahasa Inggris plus lima bahasa, yang mengonfirmasi angka dan membacakan data terstruktur dengan lantang, dan jika keunggulan throughput 162 karakter per detik plus konkurensi tak terbatas plus daftar tarif yang dapat Anda perkirakan lebih penting daripada memiliki suara terindah. Pilih Breeze TTS 2 jika suara adalah produknya — jika Anda perlu merancang karakter, mengarahkan penyampaian, dan mempertahankan performa sepanjang naskah — dan jika Anda dapat hidup dengan lisensi bobot nonkomersial, sekitar 45 karakter per detik, dan skor suara terkontrol yang berada di sepertiga bawah papan peringkat.

Satu hal yang layak dibawa pulang adalah bahwa keduanya sebenarnya bukan rival. Keduanya seri pada papan yang memberi imbalan pada casting dan berbeda tajam pada papan yang memberi imbalan pada akustik, dan model yang tampak lebih lemah pada hasil seri itulah yang memenangkan pengukuran dengan menjaga semua faktor lain tetap konstan. Harga dan lisensi kemudian menentukan bagi sebagian besar pembeli komersial sebelum argumen Elo sempat didengar.