AssemblyAI-TTS-1 対 Breeze TTS 2：Elo ポイントは1点差、87ポイント差

Artificial AnalysisのProvider VoiceボードにAssemblyAI-TTS-1とBreeze TTS 2を載せると、両者は見分けがつかない。1,227対1,228、Eloポイント差はわずか1、順位も1つ違いだ。ところが、すべてのモデルが同じ8つのクローン音声で話すControlled Voiceボードに載せると、差は87ポイントに広がり、1,108対1,021、AssemblyAIが10位、Breezeが28位となる。どちらの数値も本物で、どちらも2026年10月30日に読み取られたものであり、その間の距離こそがこの比較の論点そのものだ。一方のモデルは、平凡な音響モデルの周りに強力な音声カタログをまとっている。もう一方は、このカテゴリで最も安い文字あたり価格の周りに強力な音響モデルをまとっている。

以下は、分析を装ったコイントスではありません。この2つの製品は、異なる購入者層を狙っています。AssemblyAI-TTS-1 は、音声認識企業が自社の「耳」に「口」を加えたばかりのホスト型APIであり、プロプライエタリで、100万文字あたり15ドル、6言語対応、同時実行数無制限です。Breeze TTS 2 は、15人規模のスタートアップ BreezeBlue による30億パラメータのオープンウェイトモデルで、100万文字あたり34ドルのホスト型エンドポイントを備え、商用のセルフホスティングを禁じるウェイトライセンスの下にあります。スコアは興味深いと言えるほど接近しており、ビジネスモデルはこれ以上ないほど異なっています。

その残りのどの部分よりも前に2つの数字

Artificial Analysisはブラインドリスニングテストを継続的に実施しており、モデルの下で順位表は変動する。Breeze TTS 2は8月に1,215 Eloでデビューし総合6位となり、その時点で最高のオープンウェイト項目と報じられた。2か月と12件のリリースを経た今、スコアは1,228で13位——スコアは上がったが順位は下がった。上位に競合が加わったためだ。AssemblyAI-TTS-1は10月27日に1,227で12位として登場し、2日後には同一スコアで14位だった。日付を添えずに発表記事の順位を引用するのは、古い事実を引用しているにすぎない。

• プロバイダーボイス（ネイティブ音声） — AssemblyAI-TTS-1 1,227、14位；Breeze TTS 2 1,228、13位

• コントロールドボイス（8つの共有クローン音声）— AssemblyAI-TTS-1 1,108、10位；Breeze TTS 2 1,021、28位

• 100万文字あたりの料金 — $15 対 $34

• ボイス — 4,000以上のライブラリボイスとインスタントクローニング、テキスト説明から作成するデザインボイス、さらに15,000ボイスのコンパニオンライブラリ

• 重み — なし、API のみ vs ダウンロード可能だが研究/非商用のみ

• 言語 — 開始時は6言語、主張では50言語、モデルカードには英語と中国語のタグ付け

• スループット — 毎秒162文字 対 約45

統制アリーナの分割こそ、腹に落とすべきものです。なぜなら、この比較の中で唯一、1つの変数を一定に保つ測定だからです。Provider Voiceでは各モデルが独自の音声を選べるため、15,000の手設計キャラクターを持つモデルは、音響特性ではなくキャスティングで勝つことができます。Controlled Voiceはそれを取り除きます。Breezeは自前の音声が選択肢から外れるとEloを207失い、AssemblyAIは119失います。音声を固定すると、Breezeは圏外——28位——であり、AssemblyAIは依然としてトップ10に入っています。

なぜブラインド試聴での引き分けは幻想なのか

プロバイダーランキングは、各モデルが自慢の声を披露できる人気投票であり、Breezeは数多くの声を持ち込んでいる。BreezeBlueの売りは声のデザインだ。自然言語でキャラクターを描写すると、モデルがそれに合う音色を合成し、さらに声のディレクションによって話し方と話者の同一性を切り離せるため、「ささやく」や「急ぐ」といった指示を出しても、話者は聞いてわかる同じ人物のままになる。その相棒であるVoice Galaxyライブラリには、15,000以上のキャラクター音声が収録されている。これはブラインド選好テストに勝つタイプのカタログであり、同時に、どちらかのモデルにリファレンスクリップを渡してその声で話させたときに何が起きるかを何も教えてくれないタイプのカタログでもある。

両方のモデルにクローン音声を与えると、状況は一変する。統制アリーナが示すのはまさにそれであり、ベンダー自身の数値が独立系の数値と一致するのもそこだ。Breezeは自社のクローンについて話者類似度0.67を報告しており、AssemblyAIは0.64を報告している。どちらも大したものではなく、両者の差はノイズの範囲内にある。ノイズの範囲内にないのは、同じ評価ボード上での87ポイントのElo差だ。あなたの製品が自分で設計した個性的な声を必要とするなら、Breezeの設計ツールはまさに重要な機能であり、その統制アリーナでの弱点はまさにリスクだ — モデルは自ら作った声をキャスティングできるが、あなたが作った声を保持する信頼性は低い。

価格が実際に買うもの

$15 対 $34 は定価ベースで 2.3 倍の差があり、その差は課金方式によって広がったり縮まったりします。AssemblyAI はスペースや句読点も含めた入力文字数単位で課金し、ライブラリ内のすべての音声、対応するすべての言語、インスタントクローニング、単語タイムスタンプ、そして米国または EU での処理を同一料金で提供します。しかも従量制では同時実行数の上限もありません。Breeze のホスト型エンドポイントは同じ文字数基準で 100 万文字あたり $34 で、商用ユーザーにとっては無償のウェイトがあってもそれは変わりません。ライセンスはウェイト自体だけでなく、セルフホストした出力にも及びます。

実際のスクリプトで計算してみると、通常の話す速さで完成した音声1時間あたりの差は約1ドルです。標準的な「1秒あたり15文字」の見積もりを使うと、AssemblyAIでは約81セント、Breezeでは約1.84ドルになります。エージェント音声を月10万時間生成する企業にとって、それは81,000ドルと184,000ドルの差であり、使わないかもしれない音声デザインツールと、実行に移すことを許されないかもしれないオープンウェイトの話に対して支払う差でもあります。

ライセンスは岐路であり、Breezeにとっては誤った方向を指している

オープンウェイトは通常、こうした比較を終わらせる論拠になります。ダウンロードして自前のマシンで動かせば、文字数ごとの課金をやめられるというわけです。しかしその論拠は、Breeze TTS 2 のライセンスと向き合うと通用しません。推論コードは Apache 2.0 ですが、ウェイトおよびセルフホスト環境からの出力は、派生作品、LoRA、マージ、量子化にも及ぶ研究・非商用ライセンスの対象です。商用のセルフホスティングには BreezeBlue の許可が必要です。実際にはホスト型 API が商用ルートであり、つまりオープンウェイトのバッジが買ってくれるのは、検証、実験、そして交渉しなければ使えない逃げ口であって、より安価な本番経路ではありません。

それを AssemblyAI-TTS-1 と比較してみましょう。同サービスは重みを一切提供せず、オープンであるふりもしません。公開された料金表とデータレジデンシーの選択肢を備えたホスト型サービスです。両者のどちらを選ぶかを判断する買い手にとって、問題は「オープンかクローズドか」ではなく、「研究ライセンスに署名し、3B モデルを自分で実行する権利を交渉したいのか、それとも予測可能な文字単位の請求を望むのか」です。3B というサイズは実用的で、eager 構成で約 7.7 GiB の VRAM、公称最小要件は 12GB GPU、H100 上のリアルタイム係数は 0.32 なので、BreezeBlue が測定したハードウェアではリアルタイムの約3倍高速です。これはこのカテゴリーで最小の信頼に足るセルフホストです。ただし、ほとんどの企業が法的に利用できるセルフホストではありません。

Eloボードが測っていないもの

スループットは、AssemblyAIの優位性が誤差では済まなくなる領域だ。Artificial Analysisは、AssemblyAI-TTS-1で毎秒162文字、Breeze TTS 2で約45文字を記録した。これはモデルがテキストを音声に変える速度で3.6倍の差だ。バッチジョブにとってはキューの長さの差であり、ライブエージェントにとっては、早口の話者についていけるモデルとそうでないモデルの差だ。Breezeの答えはストリーミング経路で、最初の音声までの時間が40 ms未満に達すると同社は述べている。独立系の測定では、p50の最初のバイトまでの時間が約119 ms、最初の音声までの時間が約134 msで、95パーセンタイルは約163 msだ。AssemblyAIの比較可能な独立系の数値はより乏しく、あるラボではストリーミング遅延の中央値が159 msであるため、両社のレイテンシに関する話は、どちらのベンダーの見出し数値が示唆するよりも互いに近いものとして扱うべきだ。

難しい文字列の精度では、その差は僅差ではない。AssemblyAIのベンダー評価では、電話番号、URL、コード、薬品名におけるエンティティ精度は93.7%で、Cartesia Sonic 3.6の82.5%、ElevenLabs Flash v2.5の68.0%と対比されている — その表にBreezeの数値は存在しない。Breezeは同等の指標を公表したことがなく、モデルカードでもそれを主張していない。エージェントが注文番号を確認したり、メールアドレスを読み返したり、確認コードを一文字ずつ伝えたりするなら、それはBreeze側では未測定のリスクであり、AssemblyAI側ではベンダーが最も詳細に文書化している強みである。

Breeze が単により優れたツールである場面

上述のいずれも、Breezeを不出来なモデルにしているわけではない。むしろ専門特化型にしているのだ。40人のキャラクターが登場するゲーム、ナラティブ音声アプリ、あるいはドロップダウンから選んだ声ではなくプロンプトで描写された特定の人物のように聞こえる必要があるコンパニオンなら、Breezeの設計・演出パイプラインは、AssemblyAIがどのような形でも持っていない能力だ。AssemblyAIの4,000種類の声は選ぶライブラリであり、Breezeの声は自分で作り出すものだ。脚本に書き込まれた笑い、ため息、息づかいといったインラインの音声イベントを加えれば、告知用ではなく演技用のツールになる。50言語という主張もAssemblyAIの6言語をはるかに超えているが、モデルカード自体のタグは英語と中国語までしかなく、より広いリストを独立に検証した人は誰もいない。

繰り返し蒸し返される反論はこれだ。毎秒45文字は遅く、制御された音声での1,021 Eloは平凡で、ライセンスがオープンウェイトを求める明白な理由を妨げている。Breeze TTS 2は、商用参入の足がかりを備えた研究用の成果物だ。AssemblyAI-TTS-1は、研究面のストーリーを持たない商用製品だ。それらの文のどれがあなたの問題を表しているかに応じて選べばよい。

両方が必要になると思うなら

多くの音声エージェントチームがTTSベンダーを2社抱えるのは、望んでいるからではなく、品質、言語対応、価格が1つのモデルに揃うことはまれだからです。AssemblyAI-TTS-1もBreeze TTS 2も現在OrcaRouterのカタログにはないため、これはどちらかの売り込みではありません。正直なアドバイスは、一方が障害を起こす前に、もう一方を組み込んでおくことです。自動フェイルオーバーはまさにそのための仕組みであり、ベンダーのプロンプトセットではなく自社のトラフィックに対して2つのTTSモデルをA/B比較する最も安価な方法でもあります。2つの契約と2つのSDK統合ではなく、1つのキー、1つのルーティングルール、そして自分で選ぶトラフィック分割で済みます。

当社は200以上のモデルを単一のAPIの背後でルーティングし、0%のマークアップで、プロバイダーの定価を変更せずにそのまま通しています。これがここで重要なのは、TTSの価格が毎月動いているからです。AssemblyAIは$15で参入し、Cartesiaは$49に位置し、それらをランク付けするボードは数週間ごとに入れ替わります。当社が実際に提供しているTTSのレグはOpenAIのtts-1、tts-1-hd、gpt-4o-mini-tts、GoogleのGemini 3.1 Flash TTS Previewです——$15の料金と音声デザインツールキットのどちらが、あなたの製品が実際に必要としているものなのかを判断する間、2番目のレグとして利用できます。

決定、それは率直に述べられたもの

大量処理で、主に英語＋5言語を扱い、数値を確認して構造化データを読み上げるエージェントを構築していて、最も美しい声よりも、毎秒162文字のスループット上の優位性、無制限の同時実行、予測できる料金表のほうが重要なら、AssemblyAI-TTS-1 を選んでください。声そのものが製品であり、キャラクターを設計し、演技を演出し、台本全体を通してパフォーマンスを維持する必要があり、非商用のウェイトライセンス、毎秒約45文字、ボードの下位3分の1に位置する制御音声スコアを許容できるなら、Breeze TTS 2 を選んでください。

持ち帰る価値がある一点は、この二つが実際にはライバルではないということだ。キャスティングを評価する盤面では互角であり、音響を評価する盤面でははっきりと差がつく。そして、互角の場面で弱く見えるモデルこそが、他の条件をすべて一定に保った測定で勝つ。価格とライセンスが、Eloの議論が聞かれる前に、ほとんどの商用購入者にとって決め手となる。