Gemini 3.8 TTS vs Breeze TTS 2: Licencja, a nie ranking, rozstrzyga ten pojedynek

Pięćdziesiąt sześć punktów Elo dzieli Gemini 3.8 Flash TTS i Breeze TTS 2w Artificial Analysis Provider Voice Arena, a ich przedziały błędów nie nachodzą na siebie: model dostawcy zajmuje 2. miejsce z Elo 1260 na podstawie 1999 próbek i 8 głosów areny, wydany 23 września 2026 r.; Breeze TTS 2 zajmuje 9. miejsce z 1204 na podstawie 1390 próbek, wydany w sierpniu 2026 r. W kwestii ceny kolejność odwraca się diametralnie — Breeze ma podaną cenę 34,00 USD za milion znaków w porównaniu z 16,50 USD za Flash TTS, więc model, który wygrywa na tablicy, przegrywa na rachunku mniej więcej dwukrotnie.

Gdyby to było całe porównanie, byłby to krótki tekst, a wybór opierałbyś na tym, jak bardzo ufasz 56-punktowej różnicy. Ale te dwa modele nie są tym samym rodzajem obiektu. Breeze TTS 2 to model z otwartymi wagami o 3 miliardach parametrów, który możesz pobrać, przejrzeć i uruchomić samodzielnie, z licencją, która okazuje się mieć większe znaczenie niż jego pozycja w rankingu. Gemini 3.8 Flash TTS to punkt końcowy API z projektowaniem głosu i dialogiem dwóch mówców, i w ogóle bez wag. Decyzja między nimi to pytanie o licencjonowanie i wdrożenie ubrane w szaty benchmarku.

Czym każdy z nich właściwie jest

Najpierw dobrze rozeznaj charakter każdego modelu, zanim porównasz liczby, ponieważ różnią się one w niemal każdym wymiarze innym niż Elo.

• Dystrybucja — Breeze TTS 2 można pobrać: wagi opublikowano na Hugging Face jako BreezeBlue/Breeze-TTS-2 wraz z kodem PyTorch. Gemini 3.8 Flash TTS jest dostępny wyłącznie przez API, osiągalny za pośrednictwem Gemini API oraz powierzchni Google wymienionych w ogłoszeniu z 23 września.

• Rozmiar — Breeze TTS 2 to model 3B-parametrowy, dzięki czemu w ogóle można go hostować samodzielnie. Google nie opublikował liczby parametrów dla żadnego z modeli Gemini 3.8 TTS.

• Tworzenie głosu — Gemini 3.8 Flash TTS wykonuje projektowanie głosu na podstawie opisu tekstowego i replikację głosu na podstawie 30-sekundowej próbki. Breeze TTS 2 dostarcza bibliotekę głosów, którą producent liczy w tysiącach, oraz własną ścieżkę projektowania głosu; zgłaszane przez producenta wyniki dopasowania do roli i kierunku dla tej ścieżki są własnymi wynikami BreezeBlue i nie mają niezależnego odpowiednika.

• Dialog — Gemini 3.8 Flash TTS generuje dialog dwóch mówców w jednym wywołaniu, ze stylowaniem na poziomie tur. Breeze TTS 2 to model jednego głosu; rozmowa to dwa zszyte przebiegi.

• Języki — według danych producenta Breeze TTS 2 obsługuje 50 języków. W ogłoszeniu Google podano 130 dla modelu Flash, ale te dwie liczby nie mierzą tego samego i nie należy ich odczytywać jako 130 kontra 50.

• Opóźnienie — BreezeBlue twierdzi, że opóźnienie transmisji strumieniowej wynosi poniżej 40 ms; Google nie publikuje równoważnej wartości dla Flash TTS. Żadna z tych liczb nie została niezależnie zweryfikowana, a istnieje tylko jedna z nich.

Licencja to prawdziwe rozdroże

To jest ta część, której tabela wyników nie może ci pokazać, i to jest powód, dla którego te dwa modele nie są zamienne, nawet tam, gdzie ich jakość się pokrywa.

Wagi Breeze TTS 2 są udostępniane na licencji badawczej i niekomercyjnej BreezeBlue. Kod źródłowy w tym samym repozytorium jest objęty licencją Apache 2.0. Te dwa fakty sąsiadują ze sobą na karcie modelu i w większości publikacji są sprowadzane do „open source”, co jest błędem — i to takim, który kosztuje pieniądze: to, że kod jest na licencji Apache 2.0, nie czyni wag Apache 2.0, a komercyjne wykorzystanie modelu odbywa się przez hostowane API, a nie przez samodzielnie hostowany checkpoint.

Po stronie Google nie ma w ogóle kwestii licencji, bo nie ma czego licencjonować. Kupujesz wnioskowanie. To, z czego rezygnujesz, to rzecz, dla której zwykle kupuje się otwarte wagi — możliwość uruchomienia modelu tam, gdzie są dane, przypięcia wersji i zatrzymania jej oraz zaprzestania płacenia za znak.

A więc uczciwe ujęcie to nie otwarte kontra zamknięte. To:

• Jeśli Twoje wdrożenie musi przechowywać audio we własnej infrastrukturze, Breeze TTS 2 jest jedynym z tych dwóch, który oferuje taką ścieżkę, a tą ścieżką jest licencja badawcza. Zanim zbudujesz na niej produkt, skonsultuj się z radcą prawnym.

• Jeśli Twoje wdrożenie może wywoływać API, kwestia licencji znika, a porównanie sprowadza się do jakości, ceny i funkcji — a w tych dwóch z trzech przypadków Flash TTS jest na prowadzeniu.

• Jeśli chcesz otwarte wagi, które możesz skomercjalizować bez rozmowy, żaden z tych nie jest tym modelem, a arena ma inne wiersze.

Gdzie różnica Elo ma znaczenie, a gdzie nie

Różnica 56 punktów wykracza poza przedziały ufności ±16 i ±16, które tablica wyników podaje dla tych dwóch wierszy, więc ranking nie jest szumem w tym sensie, w jakim szumem jest, powiedzmy, Flash TTS w porównaniu z Gemini 3.8 Flash-Lite TTS. Ale Elo areny mierzy jedną rzecz: który z dwóch klipów słuchacz wolał w porównaniu na ślepo. To sygnał preferencji, zagregowany.

To, czego nie mierzy, to wszystko, na czym zależy potokowi produkcyjnemu. Nie mówi ci, jak którykolwiek z modeli radzi sobie z 40-minutowym skryptem bez dryfu tożsamości, jak wymawia nazwę twojego produktu, jak zachowuje się, gdy dane wejściowe zawierają numer telefonu, ani jak wygląda jego tryb awarii, gdy zostanie poproszony o coś spoza zakresu swojego treningu. Zarówno 1 390 próbek Breeze TTS 2, jak i 1 999 próbek Flash TTS są wystarczająco duże, by agregat był stabilny, oraz wystarczająco małe, by żaden pojedynczy segment twojego przypadku użycia nie był w nich reprezentowany.

Luka jest też mniejsza, niż się wydaje, gdy weźmie się pod uwagę, co każdy model ma robić. Flash TTS obsługuje dwóch mówców w jednym wywołaniu, co jest trudniejszym zadaniem niż to, na którym oceniany jest Breeze TTS 2. To, czy sprawia to, że 56 punktów to zaniżenie czy zawyżenie, zależy od przypadku użycia, a żaden z dostawców nie opublikował ablacji, która by to rozstrzygnęła.

Ile kosztuje godzina każdego z nich

Te dwie liczby dotyczące ceny nie są bezpośrednio porównywalne, a udawanie, że jest inaczej, to najczęstszy błąd w opracowaniach tego starcia.

Google rozlicza w tokenach: 0,50 USD za milion tokenów tekstowych na wejściu i 9,00 USD za milion tokenów audio na wyjściu do 31 grudnia 2026 r., a następnie 18,00 USD. Batch i Flex kosztują 0,25 USD i 4,50 USD; Priority kosztuje 0,90 USD i 16,00 USD. Flash-Lite TTS, model siostrzany, kosztuje 0,50 USD i 6,00 USD, a następnie 12,00 USD.

BreezeBlue rozlicza na podstawie liczby znaków: 34,00 USD za milion znaków za pośrednictwem hostowanego API.

Artificial Analysis normalizuje oba w przeliczeniu na milion znaków, aby mogły znaleźć się w tym samym rankingu, i stąd właśnie bierze się $16.50 wobec $34.00. Normalizacja należy do rankingu, a nie do któregokolwiek z dostawców — Google nie publikuje stawki za znak dla Flash TTS, a traktowanie $16.50 jako wyceny, a nie przeliczenia, sprawia, że ludzie bywają zaskoczeni fakturą.

Dwie konsekwencje, które warto wziąć pod uwagę przy planowaniu:

• Stawka Flash TTS podwaja się 1 stycznia 2027 r. Przy budżecie opartym na stawce promocyjnej luka do Breeze TTS 2 gwałtownie się zmniejsza; przy budżecie na poziomie 18,00 USD niemal się zamyka.

• Samodzielne hostowanie Breeze TTS 2 nie czyni go darmowym, lecz czyni go kosztem kapitałowym. Model 3B jest wystarczająco mały, aby działać na skromnym sprzęcie, ale kalkulacja opłaca się tylko przy dużym wolumenie i tylko w przypadku użycia, na który pozwala licencja badawcza.

Wybierając, nie udając, że istnieje jedna odpowiedź

Drzewo decyzyjne jest krótkie.

Wybierz Gemini 3.8 Flash TTS, jeśli potrzebujesz dialogu dwóch mówców, jeśli chcesz głos zaprojektowany na podstawie opisu i zachowany jako ID, jeśli Twój potok może wywoływać API i jeśli zmiana stawek z 31 grudnia jest czymś, co możesz uwzględnić w planach. Jest lepszym modelem w niezależnym rankingu i tańszym na rachunku, a to, że jest zamknięty, nie jest problemem dla przypadku użycia, który zawsze miał być wywołaniem API.

Wybierz Breeze TTS 2, jeśli rezydencja danych lub wnioskowanie lokalne (on-premises) jest twardym wymaganiem, jeśli potrzebujesz modelu 3B, który faktycznie możesz pobrać, albo jeśli prowadzisz badania, a nie wdrażasz produkt — co jest dokładnie tym przypadkiem, dla którego napisano jego licencję. Nie wybieraj go wyłącznie ze względu na etykietę otwartych wag; najpierw przeczytaj licencję.

A jeśli oceniasz oba, tanim sposobem na to jest utrzymanie wyboru jako odwracalnego. OrcaRouter nie hostuje żadnego z tych modeli — miejscem, gdzie można wywołać Gemini 3.8 Flash TTS, jest własne API Google i powierzchnie wskazane przez Google, a miejscem, gdzie można wywołać Breeze TTS 2, jest hostowany endpoint BreezeBlue. Router jest tu przydatny w przypadku reszty stosu: ponad 200 modeli za jednym kluczemw cenie katalogowej dostawcy bez marży, więc zmiana ceny dostawcy, taka jak styczniowa podwyżka stawek, obowiązuje tego samego dnia, a nie dopiero w kolejnym cyklu rozliczeniowym, automatyczne przełączanie awaryjne dzięki któremu ścieżka poddawana ocenie nie musi być ścieżką produkcyjną, oraz DSL routingu, który łączy modele w jedno wywołanie, gdy jeden głos nie wystarcza.

Wersja jednolinijkowa: ranking mówi „Google”, licencja mówi „to zależy”, a cena mówi „sprawdź kalendarz, zanim zdecydujesz się na którąkolwiek z tych opcji”.