AssemblyAI-TTS-1 vs Breeze TTS 2: różnica jednego punktu Elo, różnica 87 punktów

Umieść AssemblyAI-TTS-1 i Breeze TTS 2 na tablicy Provider Voice Artificial Analysis — są nie do odróżnienia: 1 227 wobec 1 228, jeden punkt Elo, jedno miejsce na drabinie. Umieść je na tablicy Controlled Voice — na której każdy model mówi tymi samymi ośmioma sklonowanymi głosami — a różnica rośnie do 87 punktów, 1 108 wobec 1 021, przy czym AssemblyAI zajmuje dziesiąte miejsce, a Breeze dwudzieste ósme. Obie liczby są prawdziwe, obie odczytano 30 października 2026 r., a różnica między nimi stanowi cały argument tego porównania. Jeden z tych modeli to mocny katalog głosów opakowany wokół zwykłego modelu akustycznego. Drugi to mocny model akustyczny opakowany wokół najtańszej w kategorii ceny za znak.

To, co następuje, nie jest rzutem monetą przebranym za analizę. Dwa produkty są skierowane do różnych grup nabywców. AssemblyAI-TTS-1 to hostowane API firmy zajmującej się rozpoznawaniem mowy, która właśnie dodała usta do uszu — rozwiązanie zamknięte, 15 USD za milion znaków, sześć języków, nieograniczona współbieżność. Breeze TTS 2 to model o otwartych wagach z 3 miliardami parametrów od BreezeBlue, startupu zatrudniającego piętnaście osób, z hostowanym punktem końcowym za 34 USD za milion znaków i licencją na wagi, która zabrania komercyjnego samodzielnego hostowania. Wyniki są wystarczająco zbliżone, by wzbudzać zainteresowanie, a trudno o bardziej różniące się modele komercyjne.

Dwie liczby przed czymkolwiek innym z tego

Artificial Analysis prowadzi swoje testy ślepego odsłuchu w trybie ciągłym, a rankingi przesuwają się wraz ze zmianami modeli. Breeze TTS 2 zadebiutował w sierpniu z 1215 Elo i szóstym miejscem ogółem, a wówczas donoszono, że jest najlepszym wpisem wśród modeli open-weight. Dwa miesiące i tuzin premier później ma 1228 i trzynaste miejsce — wyższy wynik i gorszą pozycję, ponieważ stawka wypełniła się powyżej niego. AssemblyAI-TTS-1 pojawił się 27 października z 1227 i dwunastym miejscem, a dwa dni później miał czternaste miejsce przy identycznym wyniku. Każdy, kto cytuje pozycję z posta premierowego bez daty, cytuje nieaktualny fakt.

• Głos dostawcy (głosy natywne) — AssemblyAI-TTS-1 1,227, 14. miejsce; Breeze TTS 2 1,228, 13. miejsce

• Kontrolowany głos (osiem współdzielonych sklonowanych głosów) — AssemblyAI-TTS-1 1,108, 10.; Breeze TTS 2 1,021, 28.

• Cena za milion znaków — 15 USD a 34 USD

• Głosy — ponad 4000 głosów bibliotecznych oraz natychmiastowe klonowanie w zestawieniu z głosami projektowanymi na podstawie opisu tekstowego, a także towarzysząca biblioteka 15 000 głosów

• Wagi — brak; dostęp wyłącznie przez API w porównaniu z możliwością pobrania, ale wyłącznie do celów badawczych/niekomercyjnych

• Języki — sześć na start w porównaniu z deklarowanymi 50, karta modelu oznaczona jako angielski i chiński

• Przepustowość — 162 znaki na sekundę w porównaniu z około 45

Podział na kontrolowaną arenę jest tym, który warto przyswoić, ponieważ jest to jedyny pomiar w tym porównaniu, który utrzymuje jedną zmienną stałą. Provider Voice pozwala każdemu modelowi wybrać własne głosy, więc model z 15 000 ręcznie zaprojektowanych postaci głosowych może wygrać doborem obsady, a nie akustyką. Controlled Voice usuwa to. Breeze traci 207 Elo, gdy jego własne głosy są wyłączone z gry; AssemblyAI traci 119. Gdy głos jest ustalony, Breeze nie liczy się w rozmowie — 28. miejsce — a AssemblyAI wciąż jest w czołowej dziesiątce.

Dlaczego remis w ślepym odsłuchu to miraż

Ranking dostawców to konkurs popularności między modelami, z których każdy może zaprezentować swój najlepszy głos, a Breeze ma ich wiele do zaoferowania. Oferta BreezeBlue to projektowanie głosu: opisujesz postać w języku naturalnym, a model syntetyzuje pasującą barwę, następnie sterowanie głosem oddziela sposób mówienia od tożsamości, dzięki czemu możesz poprosić o „ściszony” lub „pospieszny” sposób mówienia, a mówca pozostaje rozpoznawalnie tą samą osobą. Towarzysząca jej biblioteka Voice Galaxy zawiera ponad 15 000 głosów postaci. To katalog, który wygrywa ślepy test preferencji, ale też katalog, który nie mówi nic o tym, co się dzieje, gdy przekażesz któremukolwiek z modeli nagranie referencyjne i poprosisz go, by mówił tym głosem.

Gdy podasz obu modelom sklonowany głos, obraz się odwraca. To właśnie robi kontrolowana arena i to tam liczby samego dostawcy zgadzają się z niezależnymi. Breeze podaje 0,67 podobieństwa mówcy dla swoich klonów; AssemblyAI podaje 0,64. Żaden z tych wyników nie jest imponujący, a różnica między nimi mieści się w szumie. Poza szumem pozostaje natomiast 87-punktowa różnica Elo na tej samej tablicy rankingowej. Jeśli Twój produkt wymaga charakterystycznego głosu, który zaprojektowałeś samodzielnie, narzędzia projektowe Breeze to dokładnie ta funkcja, która ma znaczenie, a jego słabość na kontrolowanej arenie to dokładnie to ryzyko — model potrafi odtworzyć głos, który sam stworzył, ale jest mniej niezawodny w utrzymaniu głosu, który stworzyłeś Ty.

Co tak naprawdę kupuje cena

15 USD wobec 34 USD to 2,3-krotna różnica w cenniku, która rośnie lub maleje w zależności od sposobu rozliczania. AssemblyAI pobiera opłatę za każdy znak wejściowy, łącznie ze spacjami i znakami interpunkcyjnymi, a w jednej stawce obejmuje każdy głos biblioteczny, każdy obsługiwany język, natychmiastowe klonowanie, znaczniki czasu słów oraz przetwarzanie w USA lub UE, bez limitu współbieżności w modelu pay-as-you-go. Hostowany endpoint Breeze kosztuje 34 USD za milion znaków na tej samej podstawie rozliczania znaków, a darmowe wagi tego nie zmieniają dla użytkowników komercyjnych — licencja obejmuje zarówno samodzielnie hostowane wyniki, jak i same wagi.

Jeśli przeprowadzić obliczenia na prawdziwym skrypcie, różnica wynosi około dolara na każdą gotową godzinę audio w normalnym tempie mowy: około 81 centów w AssemblyAI wobec około 1,84 USD w Breeze, przy standardowym szacunku 15 znaków na sekundę. Dla firmy generującej sto tysięcy godzin mowy agenta miesięcznie to różnica między 81 000 USD a 184 000 USD — i jest to różnica, którą płacisz za narzędzia do projektowania głosu, z których możesz nie korzystać, oraz za historię otwartych wag, której możesz nie mieć prawa wykorzystać.

Licencja jest rozwidleniem dróg i dla Breeze wskazuje w złym kierunku.

Otwarte wagi to zwykle argument, który kończy porównanie tego typu: pobierz, uruchom na własnym sprzęcie, przestań płacić za znak. Ten argument nie wytrzymuje zderzenia z licencją Breeze TTS 2. Kod wnioskowania jest objęty Apache 2.0; wagi i wszelkie wyniki z samodzielnego wdrożenia podlegają licencji badawczej i niekomercyjnej, która obejmuje również modele pochodne, LoRA, scalenia i kwantyzacje. Komercyjne samodzielne hostowanie wymaga zgody BreezeBlue. W praktyce komercyjną ścieżką jest hostowane API, co oznacza, że plakietka otwartych wag daje możliwość wglądu, eksperymentowania i wyjścia awaryjnego, które trzeba wynegocjować — a nie tańszą ścieżkę produkcyjną.

Porównaj to z AssemblyAI-TTS-1, który w ogóle nie oferuje wag i nie udaje otwartości. Jest usługą hostowaną z opublikowanym cennikiem i wyborem lokalizacji przechowywania danych. Dla kupującego, który wybiera między nimi, pytanie nie brzmi „otwarte czy zamknięte”, ale „czy chcę podpisać licencję badawczą i negocjować prawo do samodzielnego uruchamiania modelu 3B, czy chcę przewidywalny rachunek za każdy znak?”. Rozmiar 3B jest naprawdę praktyczny — około 7,7 GiB VRAM w konfiguracji eager, 12GB GPU jako podane minimum, współczynnik czasu rzeczywistego 0,32 na H100, czyli około trzy razy szybciej niż w czasie rzeczywistym na sprzęcie, który zmierzył BreezeBlue. To najmniejszy wiarygodny self-host w tej kategorii. Tylko że nie jest to self-host, którego większość firm może legalnie używać.

To, czego nie mierzą tablice Elo

Przepustowość to obszar, w którym przewaga AssemblyAI przestaje być błahostką. Artificial Analysis odnotowało 162 znaki na sekundę dla AssemblyAI-TTS-1 wobec około 45 dla Breeze TTS 2 — 3,6-krotną różnicę w szybkości, z jaką model zamienia tekst na dźwięk. W zadaniu wsadowym oznacza to różnicę w długości kolejki. W działającym agencie to różnica między modelem, który nadąża za szybko mówiącym rozmówcą, a modelem, który nie nadąża. Odpowiedzią Breeze na to jest jego ścieżka strumieniowa, która według zapowiedzi producenta osiąga poniżej 40 ms do pierwszego dźwięku; niezależne pomiary wskazują czas do pierwszego bajtu (p50) blisko 119 ms i czas do pierwszego dźwięku blisko 134 ms, przy 95. percentylu około 163 ms. Porównywalne niezależne dane AssemblyAI są skąpsze — jedno laboratorium, mediana opóźnienia strumieniowego 159 ms — więc obie opowieści o opóźnieniach należy traktować jako bliższe sobie, niż sugeruje to nagłówek któregokolwiek z dostawców.

W kwestii dokładności w przypadku trudnych ciągów różnica jest wyraźna. Ewaluacja dostawcy AssemblyAI określa dokładność rozpoznawania encji na 93,7% dla numerów telefonów, adresów URL, kodów i nazw leków, wobec 82,5% dla Cartesia Sonic 3.6 i 68,0% dla ElevenLabs Flash v2.5 — w tej tabeli nie ma wyniku dla Breeze. Breeze nigdy nie opublikował równoważnego wyniku, a jego karta modelu nie deklaruje takiego. Jeśli Twój agent potwierdza numery zamówień, odczytuje adresy e-mail lub literuje kody potwierdzające, stanowi to niezmierzone ryzyko po stronie Breeze i najlepiej udokumentowaną mocną stronę dostawcy po stronie AssemblyAI.

Gdzie Breeze jest po prostu lepszym narzędziem

Nic z powyższego nie czyni Breeze złym modelem; czyni go specjalistą. Jeśli produktem jest gra z czterdziestoma postaciami, aplikacja do audio narracyjnego lub towarzysz, który musi brzmieć jak konkretna osoba opisana w prompcie, a nie głos wybrany z listy rozwijanej, potok projektowania i reżyserowania Breeze jest zdolnością, której AssemblyAI nie ma w żadnej formie. 4000 głosów AssemblyAI to biblioteka, z której wybierasz; głosy Breeze to głosy, które tworzysz. Dodaj wbudowane zdarzenia wokalne — śmiech, westchnienie, oddech zapisane w skrypcie — a otrzymasz narzędzie do występu, a nie do komunikatów. Jego deklaracja 50 języków również znacznie wykracza poza sześć AssemblyAI, choć etykiety samej karty modelu kończą się na angielskim i chińskim, a nikt niezależnie nie zweryfikował szerszej listy.

Argument przeciwny to ten, który wciąż powraca: 45 znaków na sekundę to wolno, 1 021 Elo na kontrolowanych głosach to wynik przeciętny, a licencja blokuje oczywisty powód, by chcieć otwartych wag. Breeze TTS 2 to artefakt badawczy z komercyjną ścieżką wejścia. AssemblyAI-TTS-1 to produkt komercyjny bez historii badawczej. Wybierz według tego, które z tych zdań opisuje twój problem.

Jeśli spodziewasz się, że będziesz potrzebować obu

Większość zespołów obsługujących agentów głosowych kończy z dwoma dostawcami TTS — nie dlatego, że tego chce, ale потому że jakość, pokrycie językowe i cena rzadko trafiają na jeden model. Ani AssemblyAI-TTS-1, ani Breeze TTS 2 nie są dziś w katalogu OrcaRouter, więc to nie jest zachęta do żadnego z nich; szczera rada jest taka, żeby podłączyć drugi model, zanim pierwszy ulegnie awarii. Właśnie do tego istnieje automatyczne failover i jest to też najtańszy sposób, by porównać A/B dwa modele TTS na własnym ruchu, a nie na zestawie promptów dostawcy — jeden klucz, reguła routingu i wybrany przez ciebie podział ruchu zamiast dwóch umów i dwóch integracji SDK.

Kierujemy ponad 200 modeli przez jedno API z 0% narzutem, przekazując ceny listowe dostawców bez zmian, co ma tu znaczenie, ponieważ ceny TTS zmieniają się co miesiąc: AssemblyAI wszedł z ceną $15, Cartesia plasuje się na poziomie $49, a ranking, który je klasyfikuje, zmienia się co kilka tygodni. Ścieżki TTS, które obsługujemy, to OpenAI tts-1, tts-1-hd oraz gpt-4o-mini-tts i Google Gemini 3.1 Flash TTS Preview — możliwe do użycia jako druga ścieżka, gdy decydujesz, czy stawka $15, czy zestaw narzędzi do projektowania głosu jest tym, czego naprawdę potrzebuje Twój produkt.

Decyzja, wyrażona wprost

Wybierz AssemblyAI-TTS-1, jeśli budujesz agenta o dużym wolumenie, obsługującego głównie angielski oraz pięć innych języków, który potwierdza liczby i odczytuje na głos dane strukturalne, a także jeśli przewaga przepustowości wynosząca 162 znaki na sekundę, nieograniczona współbieżność i cennik, który można prognozować, liczą się bardziej niż posiadanie najładniejszego głosu. Wybierz Breeze TTS 2, jeśli głos jest produktem — jeśli musisz projektować postacie, reżyserować sposób mówienia i utrzymać poziom wykonania przez cały scenariusz — oraz jeśli możesz zaakceptować licencję na wagi wykluczającą użycie komercyjne, około 45 znaków na sekundę i wynik dla głosu kontrolowanego, który plasuje się w dolnej jednej trzeciej rankingu.

Jedna rzecz warta zapamiętania: te dwa modele nie są tak naprawdę rywalami. Remisują na planszy, która premiuje casting, i wyraźnie się różnią na planszy, która premiuje akustykę, a model, który w remisie wygląda słabiej, zwycięża w pomiarze przy zachowaniu wszystkich pozostałych czynników stałych. Cena i licencjonowanie rozstrzygają wtedy sprawę dla większości komercyjnych nabywców, zanim argument Elo zostanie w ogóle wysłuchany.