Rime Prism vs Breeze TTS 2: Licencja jest porównaniem

Najbardziej przydatną rzeczą, jakiej możesz się dowiedzieć, zestawiając Rime Prism z Breeze TTS 2, nie jest ustalenie, który brzmi lepiej. Jest nią fakt, że jeden z nich to repozytorium na licencji Apache-2.0, którego wagi modelu są ograniczone do zastosowań badawczych i niekomercyjnych, a drugi to komercyjna usługa rozliczana za minutę. Ta pojedyncza asymetria rozstrzyga porównanie, zanim opóźnienie, cena lub jakość głosu w ogóle wejdą do gry. Prism, udostępniony 28 października 2026 r., to hostowany model mowy-na-mowę w cenie 0,080 USD za minutę dźwięku rozmowy, który najpierw zapisuje każdą odpowiedź jako tekst, a dopiero potem ją wypowiada. Breeze TTS 2, wydany 25 sierpnia 2026 r. przez BreezeBlue, to model tekst-na-mowę z 3 miliardami parametrów o otwartych wagach, który uruchamiasz samodzielnie; jest komponentem, a nie agentem.

Nie są zamiennikami. Prawie każda strona, która je rankinguje, traktuje je jako dwa punkty na tej samej osi, a takie ujęcie jest błędne w sposób, który kosztuje ludzi tygodnie. Oto czym każde z nich jest w rzeczywistości i gdzie tak naprawdę zapada decyzja.

Jeden jest modelem, drugi jest systemem.

Przeczytaj opisy obok siebie, a błąd kategorii stanie się oczywisty.

• Co robi — Prism przyjmuje audio dzwoniącego i generuje mowę agenta na wyjściu, od początku do końca, z tekstowym punktem kontrolnym pomiędzy nimi. Breeze TTS 2 przyjmuje tekst i generuje mowę na wyjściu. Kropka.

• Co zastępuje — Prism zastępuje model rozpoznawania mowy, model językowy i model syntezy, a także „klej”, który sprawia, że zachowują się jak jedna rozmowa. Breeze TTS 2 zastępuje model syntezy i tylko to.

• Kto to obsługuje — Prism działa w chmurze Rime w planach Free, Flex i Scale; VPC i on-prem wyłącznie w Enterprise. Breeze TTS 2 działa na Twoim GPU i na niczyim innym.

• Co jeszcze musisz zbudować — z Prism, warstwą polityki, która odczytuje checkpoint. Z Breeze TTS 2, rozpoznawaniem mowy, zarządzaniem turą, obsługą przerwań, modelem językowym, orkiestratorem i strumieniową infrastrukturą między nimi wszystkimi.

• Otwartość — Prism nie publikuje wag, liczby parametrów ani listy języków. Breeze TTS 2 publikuje wagi, kod inferencji i zestaw benchmarków.

Jeśli zespół liczy dwie osoby, a termin to kwartał, „zbudowanie kaskady wokół Breeze” nie jest planem, a projektem. Jeśli zespół ma już stack głosowy, a warstwa syntezy jest słabym ogniwem, wynajęcie Prism oznacza wyrzucenie działającej infrastruktury, by naprawić jeden komponent.

Klauzula licencyjna, która decyduje o tym w przypadku większości firm

Breeze TTS 2Kod źródłowy jest objęty licencją Apache 2.0, która wydaje się permisywna, dopóki nie dojdzie się do wag. Wagi modelu, modele pochodne i wyniki hostowane samodzielnie są licencjonowane do użytku badawczego i niekomercyjnego. To nie przypis, który można obejść, nazywając to prototypem. Wdrożenie produkcyjne w centrum kontaktowym jest w każdym normalnym rozumieniu użytkiem komercyjnym, a licencja przenosi ryzyko na podmiot uruchamiający model — którym przy otwartych wagach jesteś Ty.

To jest różnica między modelem, który możesz ocenić jeszcze dziś po południu, a modelem, który możesz wdrożyć. Ewaluacja jest darmowa i w praktyce nieograniczona: pobierz wagi, uruchom oficjalny kod inferencji PyTorch, przepuść przez niego własne skrypty, zobacz, co potrafi. Wdrożenie wymaga komercyjnej licencji od BreezeBlue, a warunki tej licencji nie są opublikowane na stronie modelu. Każda tabela porównawcza, która podaje koszt Breeze TTS 2 jako „GPU time” i na tym poprzestaje, po cichu zakłada licencję, której jeszcze nikt nie wycenił.

Kwestia licencji Prism jest odwrotnością i znacznie prostsza: to usługa, cena jest publikowana, a prawa komercyjne są wliczone w stawkę za minutę. Plan darmowy, Flex, Scale, Enterprise. Żadnych negocjacji, dopóki nie chcesz wersji on-prem.

Ile kosztuje każdy z nich za minutę, z przedstawionym obliczeniem

Prism jest prosty: $0,080 za minutę dźwięku rozmowy w Flex, $0,064 w Scale, $0 z darmowego kredytu, dopóki nie wyczerpie się $50. Tysiąc minut kosztuje $80, nie licząc telekomunikacji.

Breeze TTS 2 wymaga konkretnego przykładu, ponieważ „self-hosted” ukrywa cały rachunek. BreezeBlue podaje współczynnik czasu rzeczywistego 0,32 na H100 — około 3,1 sekundy audio wygenerowanego na sekundę obliczeń — zmierzony na rozgrzanej szybkiej ścieżce. Wnioskowanie eager wymaga około 7,7 GiB, więc minimalna karta to 12 GB; ścieżka --fast-all wymaga 14,4 GiB i karty 24 GB.

Weźmy H100 w cenie około 2 USD za godzinę GPU. W ciągu godziny masz 3600 sekund obliczeń, co przy RTF 0,32 daje około 11 200 sekund dźwięku, czyli 186 minut. Podzielmy: około 0,011 USD za minutę wygenerowanej mowy. To około siedmiokrotnie taniej niż stawka Flex Prism — i właśnie tę liczbę ludzie cytują.

Nie chodzi o samą liczbę. Ta stawka 0,011 USD nie uwzględnia wykorzystania. Centrum obsługi klienta nie działa przy 100% wykorzystaniu GPU; działa w szczycie najruchliwszej godziny, a przez resztę czasu pozostaje bezczynne. Przy realistycznym średnim wykorzystaniu na poziomie 30% efektywna stawka rośnie trzykrotnie, do około 0,033 USD/min, a przy 15% wynosi około 0,066 USD/min — czyli tyle, ile wynosi cena Prism, bez żadnego checkpointu, ale z całym obciążeniem operacyjnym. Hosting własny wygrywa z rozliczaniem za minutę tylko wtedy, gdy potrafisz utrzymać kartę zajętą, a większość wdrożeń systemów głosowych nie potrafi, ponieważ ich ruch ma z natury charakter impulsowy.

Opóźnienie: 40 milisekund to nie agent głosowy

Główny wynik Breeze TTS 2 to poniżej 40 ms czasu do pierwszego dźwięku na szybkiej ścieżce H100. Wynik Prism to 0,57 sekundy. W oderwaniu od kontekstu wygląda to jak porażka w stosunku czternaście do jednego. To porównanie różnych stoperów.

Zegar Breeze'a zaczyna odliczać, gdy tekst trafia do syntezatora. Zegar Prism zaczyna odliczać, gdy dzwoniący przestaje mówić. Między tymi dwoma punktami w przypadku kaskady mieszczą się rozpoznawanie mowy wypowiedzi dzwoniącego i pełna tura modelu językowego — czyli części, których Breeze nie wykonuje. Publikowane pomiary czasu end-to-end dla kaskady zwykle mieszczą się między 800 ms a 1,5 sekundy, gdy uwzględni się rozpoznawanie i generowanie, a każda z tych milisekund to moment, w którym dzwoniący zastanawia się, czy połączenie nie zostało zerwane.

0,57 s w przypadku Prism to wartość podana przez dostawcę, pochodząca z ewaluacji przeprowadzonej przez dostawcę w środowisku testowym τ-Voice; jest to liczba, którą należy porównywać z innymi modelami end-to-end zamiany mowy na mowę, a nie z pojedynczym komponentem. Uczciwie rzecz ujmując, Breeze TTS 2 jest najszybszym syntezatorem w tym porównaniu, i to z dużą przewagą, natomiast Prism jest w nim najszybszym kompletnym systemem — ponieważ jest w nim jedynym kompletnym systemem.

Jest jedno miejsce, w którym surowe porównanie rzeczywiście ma zastosowanie. Jeśli i tak budujesz kaskadę — ponieważ Twój model językowy robi coś, czego nie potrafią ani Breeze, ani Prism, albo ponieważ potrzebujesz konkretnego silnika wnioskowania — to 40 ms Breeze'a stanowi autentyczną przewagę 500 milisekund nad całkowitym budżetem Prism przeznaczonym wyłącznie na etap syntezy. W tej architekturze nie porównujesz Breeze z Prism. Porównujesz kaskadę Breeze z kaskadą Prism, a etap syntezy jest tylko jednym składnikiem sumy.

W czym każdy z nich naprawdę wygrywa

Breeze TTS 2 wygrywa, gdy wynik nie jest rozmową. Dubbing, narracja, dźwięk do gry, głos produktu z 200 stałymi frazami — te zastosowania wymagają syntezatora, a nie agenta, i żadne z nich nie potrzebuje punktu kontrolnego polityki przed mową. Tryb projektowania głosu Breeze generuje głos z opisu w języku naturalnym bez audio referencyjnego, sterowanie głosem reguluje ton i tempo istniejącego klonu, a tagi wbudowane, takie jak (laugh) i (sigh), dodają ekspresję wykonania bez drugiego modelu. W tej pracy pytanie o licencję może w ogóle nie powstać, a ekonomika per minuta jest nieistotna, ponieważ nie ma licznika per minuta.

Prism wygrywa, gdy ograniczenie dotyczy tego, co agentowi wolno powiedzieć. Zdanie, które musi zostać sprawdzone, ujawnienie, które musi pojawić się dosłownie, numer konta, który trzeba przeliterować, a nie wypowiedzieć jako słowo — to wymaga punktu kontroli tekstu, a Breeze TTS 2 nie ma odpowiednika, ponieważ tekst, który otrzymuje, jest już ostateczny, zanim go zobaczy. Można zbudować zabezpieczenie wcześniej w kaskadzie i ludzie tak robią, ale wtedy zabezpiecza się wyjście modelu językowego w złożonym przez siebie potoku, co stanowi większość pracy, którą Prism sprzedaje.

Breeze TTS 2 wygrywa także pod względem przejrzystości. Możesz czytać wagi, uruchamiać go offline, odtwarzać deklaracje producenta dotyczące wyników benchmarków na własnym sprzęcie i dokładnie wiedzieć, co zmieniło się między wersjami. Prism daje ci API i notatkę wydania. Dla zespołu, który został spalony przez dostawcę po cichu zmieniającego głos w połowie kwartału, jest to naprawdę coś warte.

Jeśli zachowasz kaskadę, warstwa modelu jest trasowalna.

Kaskada, w którą wpisuje się Breeze TTS 2, nadal wymaga modelu językowego i to jest część, którą obejmuje OrcaRouter. Prism jest sprzedawany bezpośrednio przez Rime i nie ma go w naszym katalogu; Breeze TTS 2 jest hostowany samodzielnie i też go w nim nie ma. W katalogu jest natomiast wszystko wokół nich: jeden klucz do ponad 200 modeli z 0% narzutem względem ceny listowej dostawcy, z automatycznym przełączaniem awaryjnym, gdy dostawca zaczyna działać gorzej w trakcie połączenia, oraz DSL routingu do decydowania, który model obsługuje którą turę rozmowy. Dla agenta głosowego to użyteczna forma — mały model do potwierdzenia, gdy dzwoniący jeszcze mówi, większy do wyszukiwania, jeden punkt końcowy i jedna faktura.

Strona TTS również jest pokryta: openai/tts-1-hd oraz google/gemini-3.1-flash-tts-preview — oba są dziś dostępne do routingu po cenie katalogowej. To nie są Breeze TTS 2 ani Prism, ale stanowią dwa końce kaskady bez drugiej umowy.

Decyzja, w jednym przebiegu

Zadaj dwa pytania w tej kolejności, a odpowiedź zwykle pojawia się sama.

Po pierwsze: czy cokolwiek, co mówi Twój agent, wymaga zatwierdzenia, zanim usłyszy to człowiek? Jeśli tak, Prism jest jedyną opcją w tej parze, która ma miejsce, w którym można umieścić to zatwierdzenie, a cena licencji — $0.08/min — jest ceną tej kontroli. Jeśli nie, kontynuuj.

Po drugie: czy potrafisz utrzymać GPU w ciągłym obciążeniu? Jeśli Twoje obciążenie syntezą jest bliskie pełnego wykorzystania i dysponujesz zespołem inżynieryjnym, który weźmie na siebie kaskadę, Breeze TTS 2 w cenie $0.011/min za obliczenia jest siedmiokrotnie lepszą odpowiedzią pod względem ekonomicznym — pod warunkiem że zapewnisz sobie licencję komercyjną przed wdrożeniem. Jeśli nie potrafisz utrzymać karty w ciągłym obciążeniu, koszt efektywny i tak zbiega się z kosztem Prism, a jego osiągnięcie wymagało wzięcia na siebie całego stosu.

Jedna odpowiedź jest błędna — ta, którą podają strony z rankingami: że Breeze jest tańszy, więc Breeze wygrywa. Taniej za minutę audio — owszem. Ale nie kupujesz audio od Breeze TTS 2 — kupujesz syntezator, a następnie budujesz wokół niego agenta głosowego, i nikt nie opublikował dla tego osobnej pozycji kosztorysowej.

Zastrzeżenie dotyczące benchmarków dostawcy również tutaj pasuje. Opublikowane wyniki BreezeBlue — współczynnik czasu rzeczywistego 0,32 oraz poniżej 40 ms do pierwszego dźwięku na rozgrzanej szybkiej ścieżce H100 — są jego własne, uzyskane na modelu angielsko-chińskim, a sformułowanie „pierwsze miejsce wśród modeli z otwartymi wagami na liście rankingowej TTS Artificial Analysis" to deklaracja pozycjonująca dostawcy, a nie wynik: na bieżącej tablicy plasuje się obecnie około siódmego miejsca w zestawieniu ogólnym. Wynik Prism 56,6 w τ-Voice również pochodzi od dostawcy. Żadna z tych liczb nie ma niezależnego weryfikatora i to jest dokładnie to jedno, co te dwie naprawdę łączy.