Rime Prism vs Breeze TTS 2: La licenza è il confronto

La cosa più utile che puoi imparare mettendo Rime Prism accanto a Breeze TTS 2 non è quale dei due suoni meglio. È che uno di loro è un repository Apache-2.0 i cui pesi del modello sono limitati alla ricerca e all'uso non commerciale, mentre l'altro è un servizio commerciale a pagamento al minuto. Quella singola asimmetria decide il confronto prima che latenza, prezzo o qualità della voce abbiano voce in capitolo. Prism, lanciato il 28 ottobre 2026, è un modello speech-to-speech ospitato a $0.080 al minuto di audio della chiamata che scrive ogni risposta come testo prima di pronunciarla. Breeze TTS 2, rilasciato il 25 agosto 2026 da BreezeBlue, è un modello text-to-speech open-weight da 3 miliardi di parametri che esegui tu stesso, ed è un componente anziché un agente.

Non sono sostituti. Quasi ogni pagina che li classifica li tratta come due punti sullo stesso asse, e questa impostazione è sbagliata in un modo che fa perdere settimane alle persone. Ecco che cosa ciascuno è realmente, e dove si colloca davvero la decisione.

Uno è un modello, l'altro è un sistema.

Leggi le descrizioni affiancate e l’errore di categoria diventa evidente.

• Cosa fa — Prism riceve in ingresso l'audio del chiamante e restituisce in uscita il parlato dell'agente, end-to-end, con un checkpoint testuale tra i due. Breeze TTS 2 riceve in ingresso il testo e restituisce in uscita il parlato. Punto.

• Cosa sostituisce — Prism sostituisce un modello di riconoscimento vocale, un modello linguistico e un modello di sintesi, più il collante che li fa comportare come un'unica conversazione. Breeze TTS 2 sostituisce il modello di sintesi, e solo quello.

• Chi lo gestisce — Prism gira sul cloud di Rime nei piani Free, Flex e Scale; VPC e on-prem solo su Enterprise. Breeze TTS 2 gira sulla tua GPU, e su nessun'altra.

• Cosa devi ancora costruire — con Prism, il livello di policy che legge il checkpoint. Con Breeze TTS 2, il riconoscimento, la gestione dei turni, la gestione delle interruzioni, il modello linguistico, l'orchestratore e l'infrastruttura di streaming tra tutti loro.

• Apertura — Prism non pubblica pesi, né numero di parametri, né un elenco delle lingue. Breeze TTS 2 pubblica i pesi, il codice di inferenza e una suite di benchmark.

Se il tuo team è composto da due persone e la scadenza è un trimestre, "costruire una cascata attorno a Breeze" non è un piano, è un progetto. Se il tuo team dispone già di uno stack vocale e il livello di sintesi è l'anello debole, noleggiare Prism significa buttare via infrastrutture funzionanti per sistemare un solo componente.

La clausola di licenza che risolve la questione per la maggior parte delle aziende

Breeze TTS 2codice sorgente è Apache 2.0, che sembra permissiva finché non si arriva ai pesi. I pesi del modello, i modelli derivati e gli output self-hosted sono concessi in licenza per ricerca e uso non commerciale. Non è una nota a piè di pagina che si può aggirare definendolo un prototipo. Un deployment di contact center in produzione è uso commerciale secondo qualsiasi interpretazione ordinaria, e la licenza mette il rischio sulla parte che esegue il modello — che, con pesi aperti, sei tu.

Questa è la differenza tra un modello che puoi valutare questo pomeriggio e un modello che puoi distribuire. La valutazione è gratuita e in pratica senza restrizioni: scarica i pesi, esegui il codice di inferenza ufficiale di PyTorch, provalo con i tuoi script, ascolta cosa fa. La distribuzione richiede una licenza commerciale da BreezeBlue, e i termini di tale licenza non sono pubblicati sulla pagina del modello. Qualsiasi tabella comparativa che elenchi il costo di Breeze TTS 2 come «tempo GPU» e si fermi lì presuppone silenziosamente una licenza per cui nessuno ha ancora fornito un preventivo.

La questione della licenza di Prism è l'inversa e molto più semplice: è un servizio, il prezzo è pubblicato e il diritto commerciale è incluso nella tariffa al minuto. Free tier, Flex, Scale, Enterprise. Nessuna negoziazione finché non si desidera l'on-prem.

Quanto costa ciascuno al minuto, con il calcolo mostrato

Prism è semplice: $0.080 al minuto per l'audio delle chiamate su Flex, $0.064 su Scale, $0 con il credito gratuito finché non si esauriscono i $50. Mille minuti costano $80 prima della telefonia.

Breeze TTS 2 richiede un esempio pratico perché "self-hosted" nasconde il costo complessivo. BreezeBlue pubblica un fattore di tempo reale pari a 0,32 su una H100 — circa 3,1 secondi di audio generati per secondo di calcolo — misurato su un percorso veloce già riscaldato. L'inferenza eager richiede circa 7,7 GiB, quindi una scheda da 12 GB è il minimo; il percorso --fast-all richiede 14,4 GiB e una scheda da 24 GB.

Prendiamo una H100 a circa $2 per GPU-ora. In un'ora hai 3.600 secondi di calcolo che, con un RTF di 0,32, producono circa 11.200 secondi di audio, ovvero 186 minuti. Dividiamo: circa $0,011 per minuto di parlato generato. È all'incirca sette volte più economico della tariffa Flex di Prism — ed è il numero che tutti citano.

Non è il numero che conta. Quel $0.011 esclude l'utilizzo. Un contact center non funziona al 100% di occupazione GPU; funziona al picco della sua ora più intensa e resta inattivo per il resto. Con un utilizzo medio realistico del 30%, la tariffa effettiva triplica fino a circa $0.033/min, e al 15% è all'incirca $0.066/min — cioè il prezzo di Prism, senza nessuno dei checkpoint e con tutto l'onere operativo. Il self-hosting batte il prezzo al minuto solo se riesci a mantenere la scheda occupata, e la maggior parte delle implementazioni vocali non può farlo, perché il loro traffico è per natura a raffiche.

Latenza: 40 millisecondi non sono un agente vocale

Il valore di punta di Breeze TTS 2 è un tempo al primo audio inferiore a 40 ms su un percorso rapido H100. Il valore di punta di Prism è 0,57 secondi. Letto da solo, sembra una sconfitta per quattordici a uno. È un confronto tra cronometri diversi.

L'orologio di Breeze parte quando il testo arriva al sintetizzatore. L'orologio di Prism parte quando il chiamante smette di parlare. Tra questi due punti si collocano, nel caso della cascata, il riconoscimento vocale dell'enunciato del chiamante e un intero turno del modello linguistico — le parti che Breeze non esegue. I tempi end-to-end pubblicati per la cascata si attestano abitualmente tra 800 ms e 1,5 secondi una volta conteggiati riconoscimento e generazione, e ognuno di quei millisecondi è un momento in cui il chiamante si chiede se la linea è caduta.

Il valore di 0,57 s di Prism è un dato fornito dal produttore, ricavato da una valutazione condotta dal produttore sull'harness τ-Voice, ed è il numero da confrontare con altri modelli end-to-end speech-to-speech, non con un componente. L'affermazione corretta è che Breeze TTS 2 è il sintetizzatore più veloce di questo confronto, con un ampio margine, e Prism è il sistema completo più veloce — perché è l'unico sistema completo presente.

C’è un punto in cui il confronto grezzo tiene davvero. Se stai comunque costruendo una cascata — perché il tuo modello linguistico fa qualcosa che né Breeze né Prism riescono a fare, oppure perché ti serve un motore di inferenza specifico — allora i 40 ms di Breeze rappresentano un vantaggio reale di 500 millisecondi rispetto al budget totale di Prism speso solo per il salto di sintesi. In quell’architettura non stai confrontando Breeze con Prism. Stai confrontando una cascata Breeze con una cascata Prism, e il salto di sintesi è solo uno dei termini della somma.

Dove ognuno vince davvero

Breeze TTS 2 vince quando l'output non è una conversazione. Doppiaggio, narrazione, audio per un gioco, una voce per un prodotto con 200 frasi fisse: questi richiedono un sintetizzatore, non un agente, e nessuno di essi necessita di un checkpoint delle policy prima della sintesi. La modalità voice design di Breeze genera una voce da una descrizione in linguaggio naturale senza audio di riferimento, la voice direction orienta tono e ritmo di un clone esistente, e i tag inline come (laugh) e (sigh) aggiungono interpretazione senza un secondo modello. Per quel lavoro la questione della licenza potrebbe non porsi nemmeno, e l'economia al minuto è irrilevante perché non esiste un contatore al minuto.

Prism vince quando il vincolo riguarda ciò che all’agente è consentito dire. Una frase che deve essere sottoposta a revisione, un’informativa che deve comparire testualmente, un numero di conto che deve essere compitato anziché pronunciato come una parola: questi richiedono il checkpoint testuale, e Breeze TTS 2 non ha un equivalente perché il testo che riceve è già definitivo nel momento in cui lo vede. Puoi creare una salvaguardia a monte in una cascata, e c’è chi lo fa, ma in quel caso stai proteggendo l’output del modello linguistico in una pipeline che hai assemblato, che rappresenta la maggior parte del lavoro che Prism sta offrendo.

Breeze TTS 2 vince anche sul fronte della trasparenza. Puoi leggere i pesi, eseguirlo offline, riprodurre sul tuo hardware i risultati di benchmark dichiarati dal fornitore e sapere esattamente cosa è cambiato tra una versione e l'altra. Prism ti offre un'API e una nota di rilascio. Per un team che è stato scottato da un fornitore che cambia silenziosamente una voce a metà trimestre, questo vale qualcosa di concreto.

Se mantieni la cascata, il livello del modello è instradabile.

La cascata in cui si inserisce Breeze TTS 2 necessita comunque di un modello linguistico, e questa è la parte che OrcaRouter copre. Prism è venduto direttamente da Rime e non è nel nostro catalogo; anche Breeze TTS 2 è self-hosted e non vi figura. Nel catalogo c'è invece tutto ciò che li circonda: una chiave per oltre 200 modelli con markup dello 0% rispetto al prezzo di listino del provider, con failover automatico quando un provider si degrada a metà chiamata e un DSL di routing per decidere quale modello gestisce quale turno. Per un agente vocale questa è la configurazione utile — un modello piccolo per la conferma mentre chi chiama sta ancora parlando, uno più grande per la ricerca, un unico endpoint e un'unica fattura.

Anche il lato TTS è coperto: openai/tts-1-hd e google/gemini-3.1-flash-tts-preview sono entrambi instradabili oggi al prezzo di listino. Non sono Breeze TTS 2 e non sono Prism, ma sono le due estremità della cascata senza un secondo contratto.

La decisione, in un solo passaggio

Poni due domande in quest'ordine e di solito la risposta viene fuori da sola.

Primo: c'è qualcosa che dice il tuo agente che deve essere approvato prima che un umano lo ascolti? Se sì, Prism è l'unica opzione in questa coppia ad avere uno spazio dove inserire tale approvazione, e il prezzo della licenza — $0.08/min — è il prezzo del controllo. Se no, continua.

Secondo: riesci a tenere occupata una GPU? Se il tuo carico di sintesi è vicino alla capacità massima e hai il team di ingegneria per gestire una cascata, Breeze TTS 2 a 0,011 $/min di calcolo è la risposta economica migliore di un fattore sette, a condizione che tu ottenga una licenza commerciale prima di rilasciarlo. Se non riesci a tenere occupata la scheda, il costo effettivo converge comunque su quello di Prism e per arrivarci hai dovuto farti carico dell'intero stack.

L'unica risposta sbagliata è quella che danno le pagine di ranking: che Breeze costa meno, quindi vince Breeze. Meno caro al minuto di audio, sì. Ma da Breeze TTS 2 non stai comprando audio — stai comprando un sintetizzatore e poi costruendoci intorno un agente vocale, e nessuno ha pubblicato una voce di costo per questo.

Anche l’avvertenza sui benchmark del fornitore va inserita qui. Le cifre pubblicate da BreezeBlue — un fattore di tempo reale pari a 0,32 e meno di 40 ms al primo audio su un percorso rapido H100 pre-riscaldato — sono sue proprie, ottenute su un modello inglese-cinese, e la frase «classificato #1 tra i modelli open-weight nella classifica TTS di Artificial Analysis» è un’affermazione di posizionamento del fornitore anziché un punteggio: nella classifica live si colloca attualmente intorno al settimo posto complessivo. Anche il 56,6 di Prism su τ-Voice è stato ottenuto dal fornitore. Nessuno dei due numeri ha un arbitro indipendente, che è l’unica cosa che questi due hanno davvero in comune.