AssemblyAI-TTS-1 vs Breeze TTS 2: Um ponto Elo de diferença, 87 pontos de diferença

Coloque AssemblyAI-TTS-1 e Breeze TTS 2 no quadro Provider Voice da Artificial Analysis e eles são indistinguíveis: 1.227 contra 1.228, um ponto Elo, uma posição na classificação. Coloque-os no quadro Controlled Voice — onde cada modelo fala as mesmas oito vozes clonadas — e a diferença aumenta para 87 pontos, 1.108 contra 1.021, com a AssemblyAI em décimo lugar e a Breeze em vigésimo oitavo. Ambos os números são reais, ambos foram obtidos em 30 de outubro de 2026, e a distância entre eles é todo o argumento desta comparação. Um desses modelos tem um catálogo de vozes forte em torno de um modelo acústico comum. O outro tem um modelo acústico forte em torno do preço por caractere mais barato da categoria.

O que se segue não é uma moeda ao ar disfarçada de análise. Os dois produtos destinam-se a compradores diferentes. A AssemblyAI-TTS-1 é uma API alojada de uma empresa de reconhecimento de fala que acabou de acrescentar uma boca aos seus ouvidos — proprietária, $15 por milhão de caracteres, seis idiomas, pedidos simultâneos ilimitados. A Breeze TTS 2 é um modelo de pesos abertos com 3 mil milhões de parâmetros da BreezeBlue, uma startup de quinze pessoas, com um endpoint alojado a $34 por milhão de caracteres e uma licença de pesos que proíbe a auto-hospedagem comercial. As pontuações são suficientemente próximas para serem interessantes, e os modelos comerciais dificilmente poderiam ser mais diferentes.

Dois números antes de qualquer outra parte disso

A Artificial Analysis realiza seus testes de escuta cega de forma contínua, e os rankings se movem sob os modelos. O Breeze TTS 2 estreou em agosto com 1.215 de Elo e sexto lugar geral, e foi noticiado como a principal entrada de pesos abertos naquele momento. Dois meses e uma dúzia de lançamentos depois, ele marca 1.228 e décimo terceiro — uma pontuação mais alta e uma classificação pior, porque o pelotão se adensou acima dele. O AssemblyAI-TTS-1 chegou em 27 de outubro com 1.227 e décimo segundo, e aparecia em décimo quarto dois dias depois, com a pontuação idêntica. Qualquer um que cite uma classificação de um post de lançamento sem uma data está citando um fato desatualizado.

• Voz do provedor (vozes nativas) — AssemblyAI-TTS-1 1.227, 14º; Breeze TTS 2 1.228, 13º

Voz Controlada (oito vozes clonadas compartilhadas) — AssemblyAI-TTS-1 1.108, 10º; Breeze TTS 2 1.021, 28º

• Preço por milhão de caracteres — US$ 15 vs US$ 34

• Vozes — mais de 4.000 vozes de biblioteca, além de clonagem instantânea, vs. vozes criadas a partir de uma descrição de texto, além de uma biblioteca complementar de 15.000 vozes

• Pesos — nenhum, apenas API vs baixáveis, mas apenas para pesquisa/não comercial

• Idiomas — seis no lançamento vs. 50 alegados, ficha do modelo marcada como inglês e chinês

• Vazão — 162 caracteres por segundo vs cerca de 45

A divisão de arena controlada é a que se deve internalizar, porque é a única medição nesta comparação que mantém uma variável constante. O Provider Voice permite que cada modelo escolha as próprias vozes, então um modelo com 15.000 personagens desenhados à mão pode vencer pela seleção de vozes, e não pela acústica. O Controlled Voice elimina isso. A Breeze perde 207 pontos de Elo quando suas próprias vozes são retiradas da equação; a AssemblyAI perde 119. Quando a voz é fixada, a Breeze nem entra na conversa — 28ª —, e a AssemblyAI ainda está entre as dez primeiras.

Por que o empate na escuta às cegas é uma miragem

O ranking de provedores é um concurso de popularidade entre modelos, cada um dos quais pode trazer sua melhor voz, e o Breeze traz muitas delas. A proposta do BreezeBlue é o design de voz: você descreve um personagem em linguagem natural, e o modelo sintetiza um timbre correspondente; em seguida, a direção de voz separa a entrega da identidade, para que você possa pedir “sussurrado” ou “apressado” enquanto o locutor continua sendo reconhecidamente a mesma pessoa. Sua biblioteca complementar Voice Galaxy contém mais de 15.000 vozes de personagens. Esse é o tipo de catálogo que vence um teste de preferência cego, e também é o tipo de catálogo que não diz nada sobre o que acontece quando você entrega a qualquer um dos modelos um clipe de referência e pede que ele fale com aquela voz.

Dê aos dois modelos uma voz clonada e o cenário se inverte. É isso que a arena controlada faz, e é onde os números do próprio fornecedor concordam com os independentes. A Breeze relata 0.67 de similaridade de locutor para seus clones; a AssemblyAI relata 0.64. Nenhum dos dois é impressionante, e a diferença entre eles está dentro do ruído. O que não está dentro do ruído é a diferença de 87 pontos de Elo no mesmo ranking. Se o seu produto precisa de uma voz distintiva que você mesmo projetou, as ferramentas de design da Breeze são exatamente o recurso que importa, e a fraqueza dela na arena controlada é exatamente o risco — o modelo consegue gerar uma voz que ele criou, e é menos confiável para manter uma voz que você criou.

O que o preço realmente compra

US$ 15 contra US$ 34 é uma diferença de 2,3x no preço de tabela, e ela aumenta ou diminui dependendo de como você cobra. A AssemblyAI cobra por caractere de entrada, incluindo espaços e pontuação, e inclui todas as vozes da biblioteca, todos os idiomas suportados, clonagem instantânea, timestamps por palavra e processamento nos EUA ou na UE por um único preço, sem limite de concorrência no pagamento conforme o uso. O endpoint hospedado da Breeze custa US$ 34 por milhão de caracteres na mesma base de caracteres, e os pesos gratuitos não mudam isso para usuários comerciais — a licença se aplica tanto às saídas auto-hospedadas quanto aos próprios pesos.

Faça as contas com um roteiro real e a diferença é de cerca de um dólar por hora de áudio finalizado em ritmo normal de fala: aproximadamente 81 centavos na AssemblyAI, contra cerca de US$ 1,84 na Breeze, usando a estimativa padrão de 15 caracteres por segundo. Para uma empresa que gera cem mil horas de fala de agente por mês, essa é a diferença entre US$ 81.000 e US$ 184.000 — e é uma diferença que você paga por ferramentas de design de voz que talvez não use e por uma narrativa de pesos abertos sobre a qual talvez não tenha permissão para agir.

A licença é a bifurcação na estrada, e aponta no sentido errado para a Breeze.

Pesos abertos costumam ser o argumento que encerra uma comparação como esta: baixe, execute no seu próprio hardware, pare de pagar por caractere. Esse argumento não sobrevive ao contato com a licença do Breeze TTS 2. O código de inferência é Apache 2.0; os pesos e quaisquer saídas de uma implantação auto-hospedada estão sujeitos a uma licença para pesquisa e uso não comercial que se estende a derivados, LoRAs, mesclagens e quantizações. A auto-hospedagem comercial exige autorização da BreezeBlue. Na prática, a API hospedada é a via comercial, o que significa que o selo de pesos abertos lhe garante inspeção, experimentação e uma válvula de escape que você precisa negociar — não um caminho de produção mais barato.

Compare isso com o AssemblyAI-TTS-1, que não oferece pesos nenhum e nenhuma pretensão de abertura. É um serviço hospedado, com uma tabela de preços publicada e uma opção de residência de dados. Para um comprador decidindo entre os dois, a questão não é "aberto ou fechado", mas "quero assinar uma licença de pesquisa e negociar o direito de executar um modelo de 3B por conta própria, ou quero uma conta por caractere que eu consiga prever?" O tamanho de 3B é genuinamente prático — cerca de 7,7 GiB de VRAM na configuração eager, uma GPU de 12 GB como mínimo declarado, um fator de tempo real de 0,32 em uma H100, portanto, aproximadamente três vezes mais rápido que o tempo real no hardware medido pela BreezeBlue. É o menor self-host crível nesta categoria. Só não é um self-host que a maioria das empresas possa usar legalmente.

A coisa que os quadros Elo não medem

A vazão é onde a vantagem da AssemblyAI deixa de ser um erro de arredondamento. A Artificial Analysis registrou 162 caracteres por segundo para o AssemblyAI-TTS-1, contra cerca de 45 para o Breeze TTS 2 — uma diferença de 3,6x na velocidade com que o modelo transforma texto em áudio. Para uma tarefa em lote, isso é uma diferença no tamanho da fila. Para um agente ao vivo, é a diferença entre um modelo que consegue acompanhar alguém que fala rápido e um que não consegue. A resposta do Breeze para isso é seu caminho de streaming, que, segundo ele, atinge menos de 40 ms de tempo até o primeiro áudio; medições independentes situam o p50 do tempo até o primeiro byte perto de 119 ms e o tempo até o primeiro áudio perto de 134 ms, com um percentil 95 em torno de 163 ms. Os números independentes comparáveis da AssemblyAI são mais escassos — um laboratório, latência de streaming mediana de 159 ms — então trate ambas as histórias de latência como mais próximas entre si do que sugere o número de destaque de qualquer um dos fornecedores.

Em precisão de strings difíceis, a diferença não é pequena. A avaliação do fornecedor da AssemblyAI coloca a precisão de entidades em 93,7% para números de telefone, URLs, códigos e nomes de medicamentos, contra 82,5% da Cartesia Sonic 3.6 e 68,0% da ElevenLabs Flash v2.5 — não há valor da Breeze nessa tabela. A Breeze nunca publicou um equivalente, e sua ficha do modelo não declara nenhum. Se seu agente confirma números de pedido, lê de volta endereços de e-mail ou soletra códigos de confirmação, isso é um risco não medido do lado da Breeze e a força mais bem documentada do fornecedor do lado da AssemblyAI.

Onde o Breeze é simplesmente a melhor ferramenta

Nada do que foi dito acima torna o Breeze um modelo ruim; torna-o um especialista. Se o produto é um jogo com quarenta personagens, um aplicativo de áudio narrativo ou um companheiro que precisa soar como uma pessoa específica descrita em um prompt, em vez de uma voz escolhida em uma lista suspensa, o pipeline de design e direção do Breeze é uma capacidade que a AssemblyAI não tem de forma alguma. As 4.000 vozes da AssemblyAI são uma biblioteca da qual você escolhe; as do Breeze são vozes que você cria. Acrescente eventos vocais embutidos — uma risada, um suspiro, uma respiração escritos no roteiro — e você tem uma ferramenta para atuação, não para anúncios. Sua alegação de 50 idiomas também vai muito além dos seis da AssemblyAI, embora as próprias tags do cartão de modelo parem no inglês e no chinês, e ninguém tenha verificado de forma independente a lista mais ampla.

O contrário é o argumento que não sai de cena: 45 caracteres por segundo é lento, 1.021 Elo em vozes controladas é comum, e a licença bloqueia o motivo óbvio para querer pesos abertos. O Breeze TTS 2 é um artefato de pesquisa com uma via de entrada comercial. O AssemblyAI-TTS-1 é um produto comercial sem uma história de pesquisa. Escolha de acordo com qual dessas frases descreve o seu problema.

Se você espera precisar de ambos

A maioria das equipes de agentes de voz acaba com dois fornecedores de TTS, não porque querem, mas porque qualidade, cobertura de idiomas e preço raramente se concentram em um único modelo. Nem o AssemblyAI-TTS-1 nem o Breeze TTS 2 estão no catálogo do OrcaRouter hoje, então isto não é uma proposta para nenhum dos dois; o conselho honesto é integrar o segundo antes que o primeiro sofra uma indisponibilidade. É para isso que existe o failover automático, e também é a forma mais barata de comparar dois modelos de TTS com o seu próprio tráfego, em vez de com o conjunto de prompts de um fornecedor — uma chave, uma regra de roteamento e a divisão de tráfego que você escolher, em vez de dois contratos e duas integrações de SDK.

Roteamos mais de 200 modelos por trás de uma única API com 0% de markup, repassando os preços de tabela dos provedores sem qualquer alteração, o que é importante aqui porque os preços de TTS mudam todo mês: a AssemblyAI entrou a US$ 15, a Cartesia está em US$ 49, e o ranking que as classifica se reorganiza a cada poucas semanas. As opções de TTS que nós oferecemos são o tts-1 da OpenAI, o tts-1-hd e o gpt-4o-mini-tts e o Gemini 3.1 Flash TTS Preview do Google — utilizáveis como segunda opção enquanto você decide se a tarifa de US$ 15 ou o kit de design de voz é o que seu produto realmente precisa.

A decisão, dita claramente

Escolha o AssemblyAI-TTS-1 se você está construindo um agente de alto volume, majoritariamente em inglês mais cinco idiomas, que confirma números e lê dados estruturados em voz alta, e se uma vantagem de throughput de 162 caracteres por segundo, somada a concorrência ilimitada, somada a uma tabela de preços que você consegue prever, importa mais do que ter a voz mais bonita. Escolha o Breeze TTS 2 se a voz é o produto — se você precisa criar personagens, dirigir a entrega e sustentar uma atuação ao longo de um roteiro — e se você consegue conviver com uma licença de pesos não comercial, cerca de 45 caracteres por segundo e uma pontuação de voz controlada que fica no terço inferior do ranking.

O único ponto que vale a pena levar consigo é que esses dois não são de fato rivais. Eles empatam em uma placa que valoriza casting e se distanciam nitidamente em uma placa que valoriza acústica, e o modelo que parece mais fraco no empate é justamente o que vence a medição quando todo o resto é mantido constante. Preço e licenciamento, então, decidem a questão para a maioria dos compradores comerciais antes que o argumento do Elo sequer seja ouvido.