Gemini 3.8 TTS 対 Breeze TTS 2：これを決めるのは、リーダーボードではなくライセンスだ

56 EloポイントがGemini 3.8 Flash TTSとBreeze TTS 2を、Artificial Analysis Provider Voice Arena上で隔てており、しかも両者は互いの誤差範囲内には収まっていない。ベンダー側のモデルは8つのアリーナ音声、1,999サンプルを通じてElo 1,260の2位に位置し、2026年9月23日にリリースされた。Breeze TTS 2は1,390サンプルを通じて1,204の9位に位置し、2026年8月にリリースされた。価格になると順序は大きく逆転する——Breezeは100万文字あたり34.00ドルと表示されているのに対し、Flash TTSは16.50ドルであり、つまりボードで勝つモデルが請求額では約2倍の差で負けることになる。

もしそれが比較のすべてなら、短い記事になり、56ポイントの差をどれだけ信頼するかで選ぶことになるでしょう。しかし、この2つのモデルは同じ種類のものではありません。Breeze TTS 2は、ダウンロードして中身を確認し自分で実行できる30億パラメータのオープンウェイトモデルで、そのライセンスはリーダーボード上の順位よりも重要であることが分かります。Gemini 3.8 Flash TTSは、音声デザインと2話者ダイアログを備えたAPIエンドポイントであり、ウェイトは一切ありません。両者を選ぶことは、ベンチマークの衣をまとったライセンスとデプロイメントの問題なのです。

それぞれが実際に何なのか

数値を比べる前に、まず各モデルの全体像を正しく押さえておこう。Elo以外のほとんどすべての軸で、それらは異なっているからだ。

• 配布 — Breeze TTS 2 はダウンロード可能です。重みは PyTorch コードとともに Hugging Face 上で BreezeBlue/Breeze-TTS-2 として公開されています。Gemini 3.8 Flash TTS は API 専用で、Gemini API および 9 月 23 日の発表で言及された Google の各サーフェスを通じて利用できます。

• サイズ — Breeze TTS 2は30億パラメータのモデルであり、そもそもセルフホストできるのはそのためです。GoogleはGemini 3.8 TTSのどちらのモデルについてもパラメータ数を公表していません。

• 音声作成 — Gemini 3.8 Flash TTSは、書かれた説明から音声デザインを、30秒のサンプルから音声複製を行う。Breeze TTS 2は、ベンダーが数千と数える音声ライブラリと、独自の音声デザインパスを提供する。そのパスに対するベンダー報告の役割適合性と方向性スコアはBreezeBlue自身のものであり、独立した対応物は存在しない。

• 対話 — Gemini 3.8 Flash TTS は、1回の呼び出しで2話者の対話をターンレベルのスタイリング付きで生成します。Breeze TTS 2 は単一音声モデルであり、会話は2回の実行をつなぎ合わせたものです。

• 言語 — Breeze TTS 2 は、ベンダーの集計によれば50言語をカバーしています。Googleの発表ではFlashモデルについて130と数えていますが、この2つの数は同じものを測っているわけではなく、130対50として読むべきではありません。

• レイテンシー — BreezeBlue はストリーミングレイテンシーが 40 ミリ秒未満だと主張しているが、Google は Flash TTS について同等の数値を公表していない。どちらの数値も独立した検証を受けておらず、そもそも存在するのはそのうち一方だけである。

ライセンスこそが本当の分かれ道だ

これはリーダーボードでは決して見えてこない部分であり、両モデルの品質が重なり合う領域でさえ、この2つが互換的に使えない理由でもある。

Breeze TTS 2 の重みは、BreezeBlue の研究・非商用ライセンスの下で配布されています。同じリポジトリ内のソースコードは Apache 2.0 です。これら2つの事実はモデルカード上で隣り合って記載され、ほとんどの報道では「オープンソース」に一括りにされますが、それは金銭的損害につながる方向の誤りです。コードが Apache 2.0 だからといって重みが Apache 2.0 になるわけではなく、このモデルの商用利用は、セルフホスト型チェックポイント経由ではなくホスト型 API を通じて行われます。

Google側にはライセンスの問題が一切ない。なぜなら、ライセンスするものなど何もないからだ。あなたが買っているのは推論だ。あなたが手放すのは、オープンウェイトが通常購入される目的のもの——データがある場所でモデルを実行し、バージョンを固定して保持し、文字ごとの支払いをやめる能力だ。

つまり、正直に言えば、問題の枠組みはオープン対クローズドではない。それは：

• 音声を自社インフラ内に保持しなければならないデプロイメントの場合、2つのうち道を用意しているのは Breeze TTS 2 だけであり、その道とは研究ライセンスです。それを使って製品を構築する前に、顧問弁護士に確認してください。

• あなたのデプロイ環境がAPIを呼び出せるなら、ライセンスの問題は消え、比較は品質、価格、機能に戻る——そこではFlash TTSが3つのうち2つで優位に立つ。

• 会話なしで商用化できるオープンウェイトが欲しいなら、これらのどちらもそのモデルではなく、アリーナには他にも行がある。

{{1}}Elo差が意味を持つ場合とそうでない場合{{/1}}{{2}}{{/2}}

56ポイントの差は、ボードがこれら2行について報告する±16および±16の信頼区間の外側にある。したがって、この順位は、たとえばFlash TTS対Gemini 3.8 Flash-Lite TTSがノイズであるような意味でのノイズではない。しかし、アリーナEloが測るのは1つのことだけだ。ブラインド比較で聴取者が2つのクリップのどちらを好んだか。それは集約された選好シグナルである。

それが測定していないのは、本番パイプラインが気にかけることのすべてです。どちらのモデルが40分のスクリプトを話者の同一性がドリフトすることなくどう処理するのか、製品名をどう発音するのか、入力に電話番号が含まれるときにどう振る舞うのか、学習範囲外のものを求められたときの失敗モードがどのようなものかは、教えてくれません。Breeze TTS 2の1,390サンプルとFlash TTSの1,999サンプルは、どちらも集計値が安定するのに十分な大きさであり、かつ、あなたのユースケースの個々のセグメントがそれらに含まれないほど十分に小さいものです。

その差は、各モデルが何を求められているかを考慮に入れると、見た目よりも小さい。Flash TTSは1回の呼び出しで2人の話者を処理しており、これはBreeze TTS 2が評価されているタスクよりも難しい。それが56点を過小評価にするか過大評価にするかはユースケース次第であり、どちらのベンダーもそれを決着させるアブレーションを公開していない。

それぞれ1時間あたりの料金はいくらか

この2つの価格は直接比較できるものではなく、そうでないかのように扱うのが、この対決を扱った記事で最もよく見られる誤りだ。

Google はトークン単位で課金します。テキスト入力は100万トークンあたり $0.50、音声出力は100万トークンあたり $9.00（2026年12月31日まで）、その後は $18.00 です。Batch と Flex は $0.25 と $4.50、Priority は $0.90 と $16.00 です。兄弟モデルである Flash-Lite TTS は $0.50 と $6.00、その後は $12.00 です。

BreezeBlueは文字数単位で課金されます：ホスト型API経由で100万文字あたり34.00ドルです。

Artificial Analysisは、両方を同じボードで比較できるよう、100万文字あたりの基準に正規化しています。そこから$16.50対$34.00という数字が出てきます。この正規化はボード側のものであり、どちらのベンダーのものでもありません — GoogleはFlash TTSの文字あたり料金を公表しておらず、$16.50を換算値ではなく見積もりとして扱うと、請求書を見て驚くことになるのです。

事前に計画に組み込んでおく価値のある2つの帰結：

• Flash TTSの料金は2027年1月1日に2倍になる。プロモーション価格で予算計上すると、Breeze TTS 2との差は急激に縮まり、18.00ドルで予算計上すると、ほぼ解消する。

• Breeze TTS 2 をセルフホスティングしても無料になるわけではなく、資本コストが発生する。3Bモデルはそこそこのハードウェアで動かせるほど小さいが、採算が合うのは大量利用の場合だけで、しかも研究ライセンスで許可された用途に限られる。

唯一の答えがあるふりをせずに選ぶこと

決定木は短い。

2話者対話が必要なら、説明から設計されてIDとして保持される音声が欲しいなら、パイプラインがAPIを呼び出せるなら、そして12月31日の料金改定を織り込んで計画できるなら、Gemini 3.8 Flash TTSを選ぶべきです。独立系ボードではより優れたモデルであり、請求額ではより安いモデルで、クローズドであることは、もともとAPI呼び出しになるはずだったユースケースにとって問題ではありません。

データレジデンシーやオンプレミス推論が必須要件である場合、実際にダウンロードできる3Bモデルが必要な場合、あるいは製品をリリースするのではなく研究を行っている場合には、Breeze TTS 2を選びましょう — これはまさに、そのライセンスが想定しているケースです。オープンウェイトというレッテルだけで選んではいけません。まずライセンスを読んでください。

そして、両方を評価しているなら、それを安く済ませる方法は、選択を可逆的なままにしておくことです。OrcaRouter はこれらのモデルのどちらもホストしていません — Gemini 3.8 Flash TTS を呼び出す場所は Google 自身の API と Google が名指ししたサーフェスであり、Breeze TTS 2 を呼び出す場所は BreezeBlue のホスト型エンドポイントです。ここでルーターが役立つのは、スタックの残りの部分です：200 以上のモデルに 1 つのキーでアクセスでき、プロバイダーの定価でマークアップなし、そのため 1 月の料金改定のようなベンダーの価格変更が次の請求サイクルを待たずに当日反映されます。自動フェイルオーバーにより、評価中のパスを本番のパスにする必要はなく、また、1 つの音声では足りないときにモデルを単一の呼び出しにまとめるルーティング DSL も提供します。

一行で言えば、ランキングはGoogle、ライセンスは場合によりけり、価格はどちらに決める前にもカレンダーを確認しろと言っている。