GPT-Live-1 vs Breeze TTS 2: O líder de voz de pesos abertos que você não pode lançar

O Breeze TTS 2 é o modelo de conversão de texto em fala de pesos abertos mais bem avaliado no Provider Voices Speech Arena da Artificial Analysis, com 1.205 de Elo e na sétima posição geral entre mais de cem sistemas avaliados — à frente de todos os motores licenciados comercialmente que publicam pesos. Seus pesos estão disponíveis para download desde 25 de agosto de 2026. Ele também é, sob a licença com que esses pesos são distribuídos, inutilizável em um produto. O GPT-Live-1 é a aposta inversa em todas as dimensões: fechado, hospedado, cobrado a US$ 0,05 por minuto de voz desde que chegou à API de desenvolvedores da OpenAI em 10 de setembro de 2026, e o único dos dois capaz de ouvir um interlocutor interrompê-lo.

Coloque essas duas frases uma ao lado da outra e a comparação se resolve mais rápido do que a maioria dos confrontos entre modelos. Não é uma briga sobre qual sintetiza melhor a fala. É uma briga sobre se você está comprando uma voz ou uma conversa, e se "aberto" significa o que você presumiu que significasse.

Não são o mesmo tipo de coisa, e é essa a questão

Breeze TTS 2, de uma startup de cerca de quinze pessoas chamada BreezeBlue, é um modelo de conversão de texto em fala de 3 bilhões de parâmetros. O texto entra, o áudio sai. Ele não ouve nada. Ele não tem opinião sobre quando um turno deve terminar, porque não tem conceito de turno. Transmitido por WebSocket, ele começa a produzir áudio antes que seu texto tenha terminado de ser gerado, o que é genuinamente útil para manter o ritmo de um agente de voz bem ajustado — mas a decisão sobre quando falar foi tomada por quem escreveu o texto.

GPT-Live-1 é um modelo de fala para fala full-duplex. Áudio e texto entram; áudio e texto saem; e o modelo decide várias vezes por segundo se continua ouvindo, faz uma pausa, assume o turno ou o cede. Os números do Full Duplex Bench v1.5 da própria OpenAI, publicados com o lançamento e não reproduzidos fora da empresa, colocam sua interatividade em 80,1% contra 45,4% do GPT-Realtime-2.1, com latência de troca de turno de 0,798 segundos contra 1,41.

Essa assimetria não é uma crítica ao Breeze TTS 2. É um alerta sobre onde cada um se encaixa em uma stack. Se você está construindo uma cascata — reconhecimento de fala alimentando um modelo de linguagem que alimenta um sintetizador —, o Breeze TTS 2 é um candidato para o último terço dela. Se você está comprando o GPT-Live-1, está comprando o loop inteiro e entregando a lógica de alternância de turnos junto com ele.

Dimensão por dimensão

• Modelo de interação — GPT-Live-1: duplex completo, interrupção nativa, escuta enquanto fala vs Breeze TTS 2: síntese de fala em streaming, sem qualquer entrada de áudio

• Pesos — GPT-Live-1: fechado, somente hospedado, um único ID de modelo e sem snapshots datados vs Breeze TTS 2: 3B parâmetros no Hugging Face desde 25 de agosto de 2026, código de inferência PyTorch Apache-2.0

• Licença — GPT-Live-1: termos comerciais via API da OpenAI, nada a revisar vs. Breeze TTS 2: uma licença de pesquisa e não comercial que abrange os pesos, ajustes finos, LoRAs, fusões, quantizações e saídas auto-hospedadas

• Unidade de preço — GPT-Live-1: US$ 0,05 por minuto de voz, cobrado por segundo, backend de raciocínio cobrado separadamente vs. Breeze TTS 2: US$ 34 por milhão de caracteres no endpoint hospedado, com redução escalonada até US$ 28 no plano publicado de nível mais alto

Evidência de qualidade — GPT-Live-1: 70,3% no Índice Speech to Speech da Artificial Analysis, sexto lugar empatado entre catorze modelos avaliados vs. Breeze TTS 2: 1.205 Elo na arena Provider Voices, sétimo no geral e primeiro entre modelos de pesos abertos, segundo a Artificial Analysis

• Idiomas — GPT-Live-1: a cobertura de lançamento sinaliza consistentemente fluência irregular fora dos principais idiomas, em comparação com o Breeze TTS 2: 50 declarados pelo fornecedor, com o cartão do modelo marcado para inglês e chinês

• Controle de voz — GPT-Live-1: doze vozes de API, tom e ritmo orientados por prompt, sem clonagem alguma vs Breeze TTS 2: clonagem por áudio de referência, design de voz sem referência, direção de voz e eventos vocais em linha

• Vazão — GPT-Live-1: medida por sessões simultâneas, limitada a 25 no nível 1 e a 500 no nível 5, sem nível gratuito, em comparação com Breeze TTS 2: cerca de 45 caracteres por segundo na medição da Artificial Analysis, o que é mais lento do que vários concorrentes comerciais e é relevante para trabalhos de formato longo

A licença está fazendo mais trabalho do que a tabela de classificação

O próprio cartão de modelo da BreezeBlue é invulgarmente direto quanto a isto, o que abona a favor da empresa. O código de inferência é Apache-2.0. Os pesos e quaisquer resultados que gere ao alojá-los por conta própria destinam-se a uso em investigação, e a implementação comercial exige uma subscrição paga de alojamento ou autorização escrita. Essa restrição estende-se explicitamente a modelos derivados, LoRAs, fusões e quantizações — o que fecha a brecha a que as pessoas normalmente recorrem.

Então, o enquadramento de “líder em pesos abertos” precisa de um qualificador que as manchetes raramente trazem. O Breeze TTS 2 é aberto no sentido de que você pode baixá-lo, inspecioná-lo, submetê-lo a benchmarks e executá-lo no seu próprio hardware para avaliação. Não é aberto no sentido que permite que uma startup construa um produto sobre ele sem pagar à BreezeBlue ou contratar uma revisão jurídica. Duas das três coisas que as pessoas querem dizer com pesos abertos — verificabilidade e custo — você tem. A terceira — liberdade de lançar — você não tem.

Isso é uma diferença real em relação a um modelo como o GPT-Live-1, em que a questão da licença não é "posso" mas "quanto". Ambos acabam numa fatura. Só um deles acaba primeiro num parecer de advogado.

As duas unidades de preço não são comparáveis, então aqui está a aritmética.

$0,05 por minuto e $34 por milhão de caracteres parecem viver em universos diferentes porque de fato vivem. Para compará-los, é preciso converter. A fala flui a cerca de 150 palavras por minuto, e o inglês tem em média cerca de cinco caracteres e meio por palavra quando os espaços são contados, então um minuto de saída falada equivale a aproximadamente 800 a 900 caracteres. A $34 por milhão do Breeze TTS 2, isso dá cerca de três centavos de síntese por minuto — mais barato que os cinco do GPT-Live-1, na fala bruta.

A comparação desmorona imediatamente depois, porque os cinco centavos do GPT-Live-1 incluem a escuta. Ele também está transcrevendo o chamador, decidindo quando o turno termina e gerenciando a interrupção — trabalho que uma cascata tem de comprar em outro lugar: um modelo de reconhecimento de fala, um modelo de detecção de turno e um modelo de linguagem para produzir o texto que o Breeze TTS 2 lerá. Some isso e os três centavos de síntese da cascata ficam sob uma conta que geralmente é maior que a do modelo ponta a ponta.

O resumo honesto é que a voz mais barata é o Breeze TTS 2 e a conversa mais barata é o GPT-Live-1, e a diferença entre essas duas afirmações é tudo o que um agente de voz realmente custa.

Onde eles realmente se encontrariam

Uma equipe que hoje esteja construindo um agente telefônico e não queira se comprometer com a stack ponta a ponta de um único fornecedor montaria exatamente esta cascata: Breeze TTS 2 ou um mecanismo comparável para a boca, outra coisa para os ouvidos e um modelo de linguagem roteado para o pensamento. O último desses três é a peça que muda com mais frequência — é onde a qualidade melhora mais rápido, onde o custo varia mais e onde o modelo que vence neste trimestre raramente é o que vencerá no próximo.

Essa camada é uma chamada de API normal, e é a única parte desta stack que vale a pena manter portável. Aproximadamente 190 modelos de onze provedores upstream ficam atrás de uma única chave do OrcaRouter pelo preço de tabela do provedor, sem markup, então trocar o modelo de raciocínio por trás de um agente de voz é uma mudança de configuração, e não um projeto de integração, e o failover automático impede que um backend que atinge timeout derrube a chamada. Nem o endpoint Live Sessions do GPT-Live-1 nem a API hospedada do Breeze TTS 2 são acessíveis dessa forma — as camadas de voz nesta comparação ficam fora do alcance de uma camada de roteamento, e vale a pena ser claro sobre isso em vez de sugerir o contrário.

Qual escolher

Escolha o GPT-Live-1 se a conversa for o produto e você puder aceitar um front end hospedado e fechado. Linhas de reservas, suporte de primeira linha, qualquer situação em que um chamador falando por cima do agente seja um evento normal em vez de uma exceção. Você está comprando o tratamento de interrupções, e está comprando a uma tarifa por minuto que permanece previsível, enquanto o raciocínio por trás disso é a parte que você ajusta.

Escolha o Breeze TTS 2 se você precisa de uma voz que possa inspecionar, se está construindo um produto em que a síntese é um componente entre muitos, ou se precisa de clonagem e design de voz que o GPT-Live-1 não oferece de forma alguma. Comece sabendo que os pesos são para pesquisa, que a alegação de 50 idiomas é uma alegação do fornecedor em contraste com um card marcado para dois idiomas, e que os números de latência são medições da própria BreezeBlue em um caminho rápido aquecido, e não uma auditoria independente.

O instinto de tratar isto como um concurso de qualidade é o instinto errado. O Breeze TTS 2 está perto do topo da tabela em que compete, e o GPT-Live-1 compete em uma tabela totalmente diferente. A decisão que realmente custa dinheiro é a que está subjacente às duas: qual modelo faz o trabalho de pensar, e se você consegue mudar de ideia sobre isso em uma tarde.