Rime Prism 対 Breeze TTS 2：比較の鍵となるのはライセンス

を並べて比較して得られる最も有用な知見は、Rime PrismとBreeze TTS 2どちらがよりよく聞こえるかではありません。一方は Apache-2.0 のリポジトリでモデルの重みが研究および非商用利用に限定されており、もう一方は分単位課金の商用サービスであるということです。このたった一つの非対称性が、レイテンシ、価格、音声品質が判断に加わる前に比較の結論を決めてしまいます。2026年10月28日に発表された Prism は、通話音声1分あたり $0.080 のホスト型音声対音声モデルで、各返信を話す前にテキストとして書き出します。BreezeBlue が2026年8月25日にリリースした Breeze TTS 2 は、自分で実行する30億パラメータのオープンウェイト音声合成モデルであり、エージェントではなくコンポーネントです。

これらは代替品ではありません。それらをランキングしているほとんどすべてのページが、両者を同じ軸上の2つの点として扱っていますが、その捉え方は人々に数週間を無駄にさせるという点で間違っています。ここでは、それぞれが実際に何なのか、そして本当に判断が分かれるのはどこなのかを見ていきます。

一方はモデルであり、もう一方はシステムです

説明を並べて読めば、カテゴリー錯誤は明白になる。

• 機能 — Prismは発信者の音声を入力として受け取り、エージェントの音声を出力として生成します。エンドツーエンドで、両者の間にはテキストのチェックポイントがあります。Breeze TTS 2はテキストを入力として受け取り、音声を出力します。以上です。

• 置き換えるもの — Prism は音声認識モデル、言語モデル、音声合成モデル、そしてそれらが一つの会話のように振る舞うためのつなぎ役を置き換えます。Breeze TTS 2 が置き換えるのは、音声合成モデルだけです。

• 誰が運用するか — Prism は Free、Flex、Scale の各ティアでは Rime のクラウド上で動作します。VPC とオンプレミスは Enterprise のみです。Breeze TTS 2 はあなたの GPU 上で動作し、他の誰のものでもありません。

• まだ構築する必要があるもの — Prism、つまりチェックポイントを読み取るポリシーレイヤー。Breeze TTS 2、認識、ターンテイキング、割り込み処理、言語モデル、オーケストレーター、そしてそれらすべてをつなぐストリーミングの配線。

• オープン性 — Prismは重み、パラメータ数、言語一覧を公開していません。Breeze TTS 2は重み、推論コード、ベンチマークスイートを公開しています。

チームが2人で締め切りまでが四半期なら、「Breezeを中心にカスケードを構築する」は計画ではなく、プロジェクトです。チームがすでに音声スタックを持っていて、合成レイヤーが弱点なら、Prismを借りることは、一つのコンポーネントを直すために機能しているインフラを捨てることになります。

ほとんどの企業にとって決め手となるライセンス条項

Breeze TTS 2 のソースコードは Apache 2.0 で、重みの部分に至るまでは寛容なライセンスに見えます。モデルの重み、派生モデル、セルフホスト環境での出力は、研究および非商用利用に限定してライセンスされています。これは、プロトタイプと呼ぶことで回避できる脚注ではありません。本番のコンタクトセンター導入は、通常の解釈では商用利用に当たり、ライセンスはモデルを運用する当事者にリスクを負わせます。そしてオープンウェイトの場合、その当事者とはあなた自身です。

これは、今日の午後には評価できるモデルと、出荷できるモデルとの違いです。評価は無料で、実際には制限がありません。重みをダウンロードし、公式のPyTorch推論コードを実行し、自前のスクリプトを通して、どんな出力をするのか耳で確かめられます。出荷にはBreezeBlueからの商用ライセンスが必要で、そのライセンス条件はモデルページに公開されていません。Breeze TTS 2のコストを「GPU時間」とだけ記載してそこで止めている比較表は、まだ誰も提示していないライセンスを暗に前提としています。

Prismのライセンスに関する疑問はその逆で、はるかに単純です。これはサービスであり、価格は公開されていて、商用利用の権利は分単位の料金に含まれています。Free tier、Flex、Scale、Enterprise。オンプレミスを希望するまで交渉はありません。

それぞれ1分あたりいくらかかるか、計算過程を示して

Prismはわかりやすい料金体系です。通話音声はFlexで1分あたり$0.080、Scaleで$0.064、無料クレジットでは$50を使い切るまで$0です。テレフォニー費用を除くと、1,000分で$80かかります。

Breeze TTS 2には実例が必要です。なぜなら「セルフホスト」という言葉が請求全体を隠しているからです。BreezeBlueはH100上でリアルタイムファクター0.32を公表しています。これは計算1秒あたり約3.1秒の音声を生成することを意味し、ウォームアップ済みのファストパスで測定されたものです。Eager推論には約7.7 GiBが必要なので、12 GBカードが最低ラインです。--fast-allパスには14.4 GiBと24 GBカードが必要です。

H100を1 GPU時間あたり約2ドルで使うとします。1時間には3,600秒分の計算時間があり、RTF 0.32では約11,200秒、つまり186分の音声を生成できます。割ると、生成音声1分あたり約0.011ドルです。これはPrismのFlex料金よりおよそ7倍安く、しかも人々が引用する数字です。

重要なのは数字そのものではありません。その$0.011には利用率が含まれていません。コンタクトセンターはGPUを100%占有して稼働するわけではなく、最も混雑する時間のピークに稼働し、それ以外はアイドル状態になります。現実的な平均利用率30%では、実効料金は3倍の約$0.033/分になり、15%ではおよそ$0.066/分です。これはPrismの価格であり、チェックポイントは一切なく、運用負担はすべて伴います。セルフホスティングが分単位の料金体系に勝るのは、GPUカードを常に稼働させ続けられる場合だけであり、ほとんどの音声デプロイではそれができません。なぜなら、そのトラフィックは本質的にバースト的だからです。

レイテンシー：40ミリ秒は音声エージェントではありません

Breeze TTS 2の売り文句は、H100のファストパスで初音声までの時間が40ミリ秒未満だということです。Prismの売り文句は0.57秒です。単独で読むと、14対1の敗北に見えます。それは異なるストップウォッチ同士の比較なのです。

Breezeの計測は、テキストがシンセサイザーに到達した時点で始まる。Prismの計測は、通話者が話し終えた時点で始まる。カスケード方式の場合、この2点の間には、通話者の発話の音声認識と言語モデルの1ターン全体が挟まる——Breezeが行わない部分である。公表されているエンドツーエンドのカスケード処理時間は、認識と生成を含めると通常800ミリ秒から1.5秒の間に収まり、その1ミリ秒ごとに、通話者は回線が切れたのではないかと疑う。

Prismの0.57秒は、τ-Voiceハーネス上でベンダーが実施した評価によるベンダー公表値であり、比較すべき相手は他のエンドツーエンド音声対音声モデルであって、個別コンポーネントではない。公平な言い方はこうだ。Breeze TTS 2はこの比較で断トツに最速の音声合成器であり、Prismはこの比較で最速の完全システムである——なぜなら、この比較で唯一の完全システムだからだ。

生の比較が実際に通用する場面は1つだけあります。どうせカスケードを構築するのであれば——あなたの言語モデルがBreezeとPrismの両方にはできないことをするから、あるいは特定の推論エンジンが必要だから——Breezeの40 msは、合成ホップだけに費やされるPrismの総予算に対する、実に500ミリ秒の優位性となります。そのアーキテクチャでは、BreezeとPrismを比較しているのではありません。BreezeのカスケードとPrismのカスケードを比較しており、合成ホップは合計のうちの一項にすぎないのです。

それぞれが本当に優れている点

Breeze TTS 2 は、出力が会話ではない場合に優位に立つ。吹き替え、ナレーション、ゲーム用音声、200 個の固定フレーズを備えた製品向けの声 — これらに必要なのはシンセサイザーであり、エージェントではなく、いずれも発話前のポリシーチェックポイントを必要としない。Breeze のボイスデザインモードは参照音声なしで自然言語の説明から声を生成し、ボイスディレクションは既存クローンのトーンとペースを操作し、(laugh) や (sigh) のようなインラインタグは別のモデルなしで演技性を加える。そうした用途ではライセンスの問題はそもそも生じないかもしれず、分単位の課金が存在しないため、分単位の経済性は無関係だ。

Prism が勝るのは、制約条件がエージェントに発話を許可される内容である場合です。レビューが必要な文、逐語的に表示しなければならない開示、単語としてではなく一桁ずつ読み出す必要がある口座番号——こうしたものにはテキストチェックポイントが必要であり、Breeze TTS 2 には同等のものがありません。なぜなら、Breeze TTS 2 が受け取るテキストは、それが目にする時点で既に最終形だからです。カスケードの上流にガードレールを構築することはでき、実際にそうしている人もいますが、その場合に守っているのは、あなたが組み立てたパイプライン内の言語モデルの出力であり、それこそが Prism が提供する価値の大部分を占めています。

Breeze TTS 2は透明性でも優れています。重みを確認でき、オフラインで実行でき、ベンダーのベンチマーク主張を自社のハードウェアで再現でき、バージョン間で何が変わったかを正確に把握できます。PrismはAPIとリリースノートを提供するだけです。四半期の途中でベンダーが音声を黙って変更して痛い目を見たチームにとって、それは実際に価値のあることです。

カスケードを維持する場合、モデル層はルーティング可能です。

Breeze TTS 2が組み込まれるカスケードには、依然として言語モデルが必要であり、その部分をOrcaRouterが担います。PrismはRimeから直接販売されており、当社のカタログには掲載されていません。Breeze TTS 2はセルフホスト型で、これもカタログにはありません。カタログに掲載されているのは、それらを取り巻くすべてです：プロバイダーの定価に対する0%のマークアップで、200以上のモデルを1つのキーで利用できること、プロバイダーが通話中に性能低下した場合の自動フェイルオーバーと、どのモデルがどのターンを処理するかを決めるルーティングDSLを備えています。音声エージェントにとって、これが有用な形です — 通話者がまだ話している間の相づちには小型モデル、検索には大型モデル、1つのエンドポイントと1つの請求書です。

TTS側もカバーされています：openai/tts-1-hd と google/gemini-3.1-flash-tts-preview は現在、どちらも定価でルーティング可能です。これらは Breeze TTS 2 でも Prism でもありませんが、2つ目の契約なしでカスケードの両端を担っています。

決断を、一気に

この順番で2つの質問をすると、たいてい答えは自然と出てきます。

まず、あなたのエージェントが話す内容のなかに、人が耳にする前に承認が必要なものはありますか？ あるなら、この2つの選択肢のうち、その承認を置く場所を持っているのはPrismだけであり、ライセンス料 — $0.08/min — はその管理のための対価です。ないなら、次に進んでください。

第二に、GPUを遊ばせずに稼働し続けられますか？ 合成負荷が容量近くまで達していて、カスケードを自社で担えるエンジニアリングチームがあるなら、コンピュート1分あたり$0.011のBreeze TTS 2が、出荷前に商用ライセンスを確保することを条件に、7倍の差でより経済的な選択肢になります。カードを稼働し続けられない場合、実効コストは結局Prismと同水準に収束し、そこに至るまでにスタック全体を引き受けることになります。

唯一の誤った答えは、ランキングページが示している答え、つまりBreezeのほうが安いからBreezeが勝つというものだ。音声1分あたりの単価が安いのは確かだ。だが、あなたはBreeze TTS 2から音声を買っているのではない。音声合成エンジンを買い、その周りに音声エージェントを構築しているのであり、そのための明細項目を公表した人は誰もいない。

ベンダーによるベンチマークの但し書きはここにも当てはまる。BreezeBlueが公表している数値——ウォームアップ済みのH100高速パス上でリアルタイム係数0.32、最初の音声出力まで40ミリ秒未満——はあくまで同社自身が、英語と中国語のモデルで実行したものだ。また「Artificial AnalysisのTTSリーダーボードでオープンウェイトモデル中1位」という記述はスコアではなくベンダーによる自社の位置づけの主張であり、公開中のボードでは現在、総合で7位前後に位置している。Prismのτ-Voiceにおける56.6も同様にベンダーが実行したものだ。どちらの数値にも独立した第三者による検証はなく、まさにそれがこの2社に共通する唯一の点である。