AssemblyAI-TTS-1 vs Breeze TTS 2: un punto Elo di distanza, 87 punti di distanza

Metti AssemblyAI-TTS-1 e Breeze TTS 2 sulla board Provider Voice di Artificial Analysis e sono indistinguibili: 1.227 contro 1.228, un punto Elo, una posizione nella scala. Mettili sulla board Controlled Voice — dove ogni modello parla le stesse otto voci clonate — e il divario si apre a 87 punti, 1.108 contro 1.021, con AssemblyAI decimo e Breeze ventottesimo. Entrambi i numeri sono reali, entrambi sono stati letti il 30 ottobre 2026, e la distanza tra loro è l'intero argomento di questo confronto. Uno di questi modelli ha un forte catalogo vocale racchiuso attorno a un modello acustico ordinario. L'altro ha un forte modello acustico racchiuso attorno al prezzo per carattere più basso della categoria.

Quello che segue non è un lancio di moneta mascherato da analisi. I due prodotti sono destinati ad acquirenti diversi. AssemblyAI-TTS-1 è un'API ospitata di un'azienda di riconoscimento vocale che ha appena aggiunto una bocca alle proprie orecchie — proprietaria, 15 dollari per milione di caratteri, sei lingue, concorrenza illimitata. Breeze TTS 2 è un modello open-weights da 3 miliardi di parametri di BreezeBlue, una startup di quindici persone, con un endpoint ospitato a 34 dollari per milione di caratteri e una licenza sui pesi che vieta il self-hosting commerciale. I punteggi sono abbastanza vicini da essere interessanti e i modelli commerciali non potrebbero essere più diversi.

Due numeri prima di qualsiasi altra parte.

Artificial Analysis conduce i suoi test di ascolto cieco su base continuativa, e le classifiche si muovono sotto i modelli. Breeze TTS 2 ha esordito in agosto a 1.215 Elo e al sesto posto assoluto, ed è stato indicato come la migliore proposta open-weights in quel momento. Due mesi e una dozzina di lanci dopo, figura a 1.228 e al tredicesimo posto — un punteggio più alto e una posizione peggiore, perché altri modelli si sono inseriti al di sopra di lui. AssemblyAI-TTS-1 è arrivato il 27 ottobre a 1.227 e al dodicesimo posto, e due giorni dopo figurava quattordicesimo con lo stesso punteggio. Chiunque citi una posizione da un post di lancio senza una data cita un fatto superato.

• Voce provider (voci native) — AssemblyAI-TTS-1 1.227, 14º; Breeze TTS 2 1.228, 13º

• Voce controllata (otto voci clonate condivise) — AssemblyAI-TTS-1 1.108, 10º; Breeze TTS 2 1.021, 28º

• Prezzo per milione di caratteri — 15 $ contro 34 $

• Voci — oltre 4.000 voci di libreria più clonazione istantanea rispetto a voci create da una descrizione testuale, oltre a una libreria complementare di 15.000 voci

• Pesi — nessuno, solo API vs scaricabili ma solo per ricerca/non commerciale

• Lingue — sei al lancio rispetto alle 50 dichiarate, scheda del modello contrassegnata come inglese e cinese

• Velocità effettiva — 162 caratteri al secondo rispetto a circa 45

La suddivisione dell'arena controllata è quella da interiorizzare, perché è l'unica misurazione in questo confronto che mantiene costante una variabile. Provider Voice consente a ciascun modello di scegliere le proprie voci, così un modello con 15.000 personaggi progettati manualmente può vincere sul casting anziché sull'acustica. Controlled Voice elimina questo elemento. Breeze perde 207 punti Elo quando le sue voci vengono escluse; AssemblyAI ne perde 119. Quando la voce è fissa, Breeze non è della partita — 28° — e AssemblyAI resta nella top ten.

Perché il pareggio nell’ascolto cieco è un miraggio

La classifica dei provider è un concorso di popolarità tra modelli a cui è consentito mettere in campo ciascuno la propria voce migliore, e Breeze ne porta molte. La proposta di BreezeBlue è il voice design: descrivi un personaggio in linguaggio naturale e il modello sintetizza un timbro corrispondente, poi la voice direction separa la resa dall'identità, così puoi chiedere una voce "sussurrata" o "frettolosa" mentre chi parla resta riconoscibilmente la stessa persona. La sua libreria complementare Voice Galaxy contiene più di 15.000 voci di personaggi. È il tipo di catalogo che vince un test di preferenza alla cieca, ed è anche il tipo di catalogo che non ti dice nulla su ciò che accade quando fornisci a uno dei due modelli un clip di riferimento e gli chiedi di parlare con quella voce.

Date a entrambi i modelli una voce clonata e il quadro si inverte. È questo che fa l'arena controllata, ed è qui che i numeri del fornitore stesso concordano con quelli indipendenti. Breeze riporta 0,67 di similarità del parlante per i suoi cloni; AssemblyAI riporta 0,64. Nessuno dei due è impressionante, e la differenza tra loro rientra nel rumore. Ciò che non rientra nel rumore è il divario Elo di 87 punti sulla stessa classifica. Se il tuo prodotto ha bisogno di una voce distintiva progettata da te, gli strumenti di progettazione di Breeze sono esattamente la funzionalità che conta e la sua debolezza nell'arena controllata è esattamente il rischio: il modello può creare una voce che ha realizzato, ed è meno affidabile nel mantenere una voce che hai creato tu.

Che cosa compra davvero il prezzo

$15 contro $34 è un divario di 2,3x a listino, e si allarga o si restringe a seconda di come fatturi. AssemblyAI addebita per carattere di input, spazi e punteggiatura inclusi, e include ogni voce della libreria, ogni lingua supportata, clonazione istantanea, timestamp per parola ed elaborazione negli Stati Uniti o nell'UE a una tariffa unica, senza alcun tetto di concorrenza con il pay-as-you-go. L'endpoint ospitato di Breeze costa $34 per milione di caratteri sulla stessa base per carattere, e i pesi gratuiti non cambiano questo per gli utenti commerciali: la licenza si applica sia agli output self-hosted sia ai pesi stessi.

Fai i conti su uno script reale e il divario è di circa un dollaro per ogni ora di audio finito a un ritmo di parlato normale: circa 81 centesimi su AssemblyAI contro circa 1,84 dollari su Breeze, usando la stima standard di 15 caratteri al secondo. Per un'azienda che genera centomila ore di parlato degli agenti al mese, questa è la differenza tra 81.000 dollari e 184.000 dollari — ed è una differenza che paghi per strumenti di progettazione vocale che potresti non usare e una storia di pesi aperti su cui potresti non avere il permesso di agire.

La licenza è il bivio, e per Breeze indica la direzione sbagliata.

I pesi aperti sono di solito l'argomento che chiude un confronto come questo: scaricalo, eseguilo sul tuo hardware, smetti di pagare a carattere. Questo argomento non regge al contatto con la licenza di Breeze TTS 2. Il codice di inferenza è Apache 2.0; i pesi e qualsiasi output di un deployment self-hosted rientrano in una licenza di ricerca e non commerciale che si estende a derivati, LoRA, merge e quantizzazioni. Il self-hosting commerciale richiede l'autorizzazione di BreezeBlue. In pratica, l'API hosted è la via commerciale, il che significa che il badge dei pesi aperti ti compra ispezione, sperimentazione e una via di fuga che devi negoziare — non un percorso di produzione più economico.

Confrontalo con AssemblyAI-TTS-1, che non offre affatto pesi e non ha alcuna pretesa di apertura. È un servizio ospitato con un listino prezzi pubblicato e una scelta di residenza dei dati. Per un acquirente che deve decidere tra i due, la domanda non è «aperto o chiuso» ma «voglio firmare una licenza di ricerca e negoziare il diritto di eseguire personalmente un modello 3B, oppure voglio una fattura per carattere che posso prevedere?» La dimensione 3B è davvero pratica — circa 7,7 GiB di VRAM nella configurazione eager, una GPU da 12GB come minimo dichiarato, un fattore di tempo reale di 0,32 su una H100, quindi circa tre volte più veloce del tempo reale sull'hardware misurato da BreezeBlue. È il più piccolo self-host credibile in questa categoria. Solo che non è un self-host che la maggior parte delle aziende possa usare legalmente.

La cosa che le classifiche Elo non misurano

Il throughput è il punto in cui il vantaggio di AssemblyAI smette di essere una differenza marginale. Artificial Analysis ha registrato 162 caratteri al secondo per AssemblyAI-TTS-1 contro circa 45 per Breeze TTS 2, una differenza di 3,6 volte nella velocità con cui il modello trasforma il testo in audio. Per un processo batch, è una differenza nella lunghezza della coda. Per un agente in tempo reale, è la differenza tra un modello in grado di stare al passo con una persona che parla velocemente e uno che non lo è. La risposta di Breeze a questo è il suo percorso di streaming, che secondo l'azienda raggiunge un tempo fino al primo audio inferiore a 40 ms; misurazioni indipendenti collocano il p50 del tempo al primo byte a circa 119 ms e il tempo fino al primo audio a circa 134 ms, con un 95° percentile intorno ai 163 ms. Le cifre indipendenti comparabili di AssemblyAI sono più scarse — un solo laboratorio, 159 ms di latenza mediana in streaming — quindi entrambe le storie sulla latenza vanno considerate più vicine tra loro di quanto suggeriscano i dati di punta di ciascun fornitore.

Sull'accuratezza delle stringhe difficili, il divario è netto. La valutazione del fornitore di AssemblyAI colloca l'accuratezza delle entità al 93,7% su numeri di telefono, URL, codici e nomi di farmaci, rispetto all'82,5% di Cartesia Sonic 3.6 e al 68,0% di ElevenLabs Flash v2.5 — in quella tabella non esiste alcun dato di Breeze. Breeze non ha mai pubblicato un equivalente, e la sua scheda del modello non ne rivendica uno. Se il tuo agente conferma numeri d'ordine, rilegge indirizzi email o compita codici di conferma, si tratta di un rischio non misurato per Breeze e della forza meglio documentata del fornitore per AssemblyAI.

Dove Breeze è semplicemente lo strumento migliore

Niente di quanto sopra rende Breeze un modello scadente; lo rende uno specialista. Se il prodotto è un gioco con quaranta personaggi, un'app audio narrativa o un companion che deve suonare come una persona specifica descritta in un prompt anziché come una voce scelta da un menu a discesa, la pipeline di progettazione e direzione di Breeze è una capacità che AssemblyAI non possiede in alcuna forma. Le 4.000 voci di AssemblyAI sono una libreria da cui scegliere; quelle di Breeze sono voci che puoi creare. Aggiungi eventi vocali inline — una risata, un sospiro, un respiro scritti nel copione — e ottieni uno strumento per l'interpretazione anziché per gli annunci. La rivendicazione delle 50 lingue supera anche di gran lunga le sei di AssemblyAI, sebbene i tag della scheda del modello si fermino all'inglese e al cinese e nessuno abbia verificato in modo indipendente l'elenco più ampio.

La controargomentazione è quella che continua a tornare: 45 caratteri al secondo è lento, 1.021 Elo su voci controllate è nella media, e la licenza blocca il motivo ovvio per volere pesi aperti. Breeze TTS 2 è un artefatto di ricerca con una via d'accesso commerciale. AssemblyAI-TTS-1 è un prodotto commerciale senza alcuna storia di ricerca. Scegli in base a quale di quelle frasi descrive il tuo problema.

Se pensi che ti serviranno entrambi

{{1}}La maggior parte dei team di agenti vocali finisce con due fornitori TTS, non perché lo voglia, ma perché qualità, copertura linguistica e prezzo raramente coincidono su un unico modello. Né AssemblyAI-TTS-1 né Breeze TTS 2 sono nel catalogo OrcaRouter oggi, quindi non è una proposta per nessuno dei due; il consiglio onesto è integrare il secondo prima che il primo subisca un'interruzione. È il caso per cui esiste il failover automatico, ed è anche il modo più economico per fare A/B di due modelli TTS sul tuo traffico invece che sul set di prompt di un fornitore — una chiave, una regola di routing e la ripartizione del traffico che scegli, invece di due contratti e due integrazioni SDK.{{/2}}

Instradiamo oltre 200 modelli dietro un'unica API con 0% di ricarico, trasferendo invariati i prezzi di listino dei provider, il che qui conta perché i prezzi TTS cambiano ogni mese: AssemblyAI è entrata a $15, Cartesia si attesta a $49, e la classifica che le ordina si rimescola ogni poche settimane. Le gambe TTS che offriamo sono tts-1 di OpenAI, tts-1-hd e gpt-4o-mini-tts e Gemini 3.1 Flash TTS Preview di Google — utilizzabili come seconda gamba mentre decidi se la tariffa da $15 o il toolkit di voice design sia ciò di cui il tuo prodotto ha davvero bisogno.

La decisione, esposta chiaramente

Scegli AssemblyAI-TTS-1 se stai costruendo un agente ad alto volume, per la maggior parte in inglese e in altre cinque lingue, che conferma i numeri e legge ad alta voce i dati strutturati, e se un vantaggio di 162 caratteri al secondo, la concorrenza illimitata e un listino prezzi prevedibile contano più che avere la voce più bella. Scegli Breeze TTS 2 se la voce è il prodotto — se devi progettare personaggi, dirigere la resa e mantenere una performance per tutto un copione — e se puoi convivere con una licenza non commerciale dei pesi, circa 45 caratteri al secondo e un punteggio di voce controllata che si colloca nell'ultimo terzo della classifica.

L'unico punto che vale la pena portare a casa è che questi due non sono davvero rivali. Pareggiano in una classifica che premia il casting e si separano nettamente in una classifica che premia l'acustica, e il modello che sembra più debole nel pareggio è quello che vince la misurazione a parità di ogni altra condizione. Prezzo e licenze decidono poi la questione per la maggior parte degli acquirenti commerciali prima che l'argomento Elo venga ascoltato.