AssemblyAI-TTS-1 против Breeze TTS 2: разница в один пункт Эло — и 87 пунктов разницы

Поместите AssemblyAI-TTS-1 и Breeze TTS 2 в рейтинг Provider Voice от Artificial Analysis — и их не отличить: 1 227 против 1 228, одно очко Elo, одна позиция в рейтинге. Поместите их в рейтинг Controlled Voice — где каждая модель говорит одними и теми же восемью клонированными голосами — и разрыв увеличивается до 87 пунктов: 1 108 против 1 021, при этом AssemblyAI занимает десятое место, а Breeze — двадцать восьмое. Оба числа реальны, оба сняты 30 октября 2026 года, и расстояние между ними — вся суть этого сравнения. У одной из этих моделей сильный каталог голосов, обёрнутый вокруг заурядной акустической модели. У другой сильная акустическая модель, обёрнутая вокруг самой низкой цены за символ в категории.

То, что последует далее, — не подбрасывание монеты, замаскированное под анализ. Эти два продукта ориентированы на разных покупателей. AssemblyAI-TTS-1 — это облачный API от компании, занимающейся распознаванием речи, которая только что добавила рот к своим ушам: проприетарный, 15 долларов за миллион символов, шесть языков, неограниченное число одновременных запросов. Breeze TTS 2 — это модель с открытыми весами на 3 млрд параметров от BreezeBlue, стартапа из пятнадцати человек, с размещённым эндпоинтом за 34 доллара за миллион символов и лицензией на веса, запрещающей коммерческий самостоятельный хостинг. Оценки достаточно близки, чтобы это было интересно, а коммерческие модели едва ли могут сильнее отличаться.

Два числа перед всем остальным из этого

Artificial Analysis проводит свои слепые тесты прослушивания на постоянной основе, и таблицы лидеров меняются под моделями. Breeze TTS 2 дебютировала в августе с 1215 Elo и шестым местом в общем зачёте, и на тот момент сообщалось, что это лучшая модель с открытыми весами. Два месяца и десяток запусков спустя у неё 1228 Elo и тринадцатое место — более высокий балл и худший рейтинг, потому что поле над ней заполнилось. AssemblyAI-TTS-1 появилась 27 октября с 1227 Elo и двенадцатым местом, а два дня спустя при идентичном балле занимала четырнадцатое. Любой, кто цитирует место из анонса запуска без даты, цитирует устаревший факт.

• Голос провайдера (нативные голоса) — AssemblyAI-TTS-1 1 227, 14-е место; Breeze TTS 2 1 228, 13-е место

• Контролируемый голос (восемь общих клонированных голосов) — AssemblyAI-TTS-1 1,108, 10-е место; Breeze TTS 2 1,021, 28-е место

• Цена за миллион символов — $15 против $34

• Голоса — более 4000 голосов в библиотеке плюс мгновенное клонирование в отличие от голосов, создаваемых по текстовому описанию, а также дополнительная библиотека на 15 000 голосов

• Веса — отсутствуют, доступ только через API, в отличие от скачиваемых, но лишь для исследований/некоммерческого использования

• Языки — шесть на старте против заявленных 50; в карточке модели указаны английский и китайский.

• Пропускная способность — 162 символа в секунду против примерно 45

Срез с контролируемой ареной — вот что стоит усвоить, потому что это единственное измерение в данном сравнении, где одна переменная остаётся неизменной. Provider Voice позволяет каждой модели выбирать собственные голоса, поэтому модель с 15 000 вручную созданных персонажей может выиграть за счёт кастинга, а не акустики. Controlled Voice устраняет этот фактор. Breeze теряет 207 пунктов Elo, когда его собственные голоса исключаются из рассмотрения; AssemblyAI теряет 119. Когда голос фиксирован, Breeze вне игры — 28-е место — а AssemblyAI по-прежнему входит в топ-10.

Почему ничья при слепом прослушивании — это мираж

Рейтинг провайдеров — это конкурс популярности между моделями, каждой из которых разрешено показать свой лучший голос, и Breeze предлагает их немало. Главная особенность BreezeBlue — голосовой дизайн: вы описываете персонажа естественным языком, и модель синтезирует подходящий тембр; затем голосовая режиссура отделяет манеру подачи от идентичности, так что можно запросить «приглушённую» или «торопливую» подачу, при этом говорящий останется узнаваемо тем же человеком. Сопутствующая библиотека Voice Galaxy содержит более 15 000 голосов персонажей. Это тот тип каталога, который выигрывает слепой тест на предпочтение, но он же ничего не говорит о том, что произойдёт, если передать любой из моделей референсный аудиофрагмент и попросить её говорить этим голосом.

Дайте обеим моделям клонированный голос — и картина перевернётся. Именно это делает контролируемая арена, и именно там собственные показатели вендора совпадают с независимыми. Breeze сообщает о сходстве диктора 0.67 для своих клонов; AssemblyAI — 0.64. Ни то, ни другое не впечатляет, а разница между ними находится в пределах шума. Что не находится в пределах шума — так это разрыв в 87 пунктов Elo в той же таблице лидеров. Если вашему продукту нужен характерный голос, который вы разработали сами, инструменты дизайна Breeze — это именно та функция, которая имеет значение, а его слабость на контролируемой арене — это именно тот риск: модель может воспроизвести голос, который создала сама, и она менее надёжна в удержании голоса, который создали вы.

Что на самом деле даёт цена

$15 против $34 — это разрыв в 2,3 раза по прайс-листу, который расширяется или сужается в зависимости от схемы оплаты. AssemblyAI взимает плату за каждый входной символ, включая пробелы и знаки препинания, и при этом по единому тарифу предоставляет все голоса из библиотеки, все поддерживаемые языки, мгновенное клонирование, временные метки слов и обработку в США или ЕС — без ограничения на число одновременных запросов при оплате по мере использования. Хостинговый эндпоинт Breeze стоит $34 за миллион символов при том же расчёте по символам, и бесплатные веса модели ничего не меняют для коммерческих пользователей — лицензия распространяется как на результаты, созданные при самостоятельном размещении, так и на сами веса.

Если посчитать на реальном сценарии, разница составит около доллара на каждый готовый час аудио при нормальном темпе речи: примерно 81 цент на AssemblyAI против примерно $1,84 на Breeze — при стандартной оценке в 15 символов в секунду. Для компании, которая генерирует сто тысяч часов речи агента в месяц, это разница между $81 000 и $184 000 — и эту разницу вы платите за инструменты дизайна голоса, которыми можете и не пользоваться, и за историю об открытых весах, по которой вам, возможно, не позволят действовать.

Лицензия — это развилка на пути, и для Breeze она указывает не в ту сторону.

Открытые веса обычно служат аргументом, который завершает подобное сравнение: скачайте, запустите на собственном железе, перестаньте платить за символ. Этот аргумент не выдерживает столкновения с лицензией Breeze TTS 2. Код инференса распространяется по Apache 2.0; веса и любые результаты развёртывания на собственных мощностях попадают под исследовательскую и некоммерческую лицензию, которая распространяется на производные, LoRA, слияния и квантования. Коммерческое самостоятельное размещение требует разрешения от BreezeBlue. На практике коммерческим маршрутом является хостинговый API, а значит, значок открытых весов даёт вам возможность инспектировать, экспериментировать и аварийный выход, который нужно согласовывать, — но не более дешёвый производственный путь.

Сравните это с AssemblyAI-TTS-1, который вообще не предлагает весов и даже не претендует на открытость. Это облачный сервис с опубликованной тарифной сеткой и выбором юрисдикции хранения данных. Для покупателя, выбирающего между этими двумя вариантами, вопрос не в том, «открытый или закрытый», а в том: «хочу ли я подписать исследовательскую лицензию и договариваться о праве самостоятельно запускать модель 3B, или я хочу оплату за символ, которую могу прогнозировать?» Размер 3B действительно практичен — около 7,7 ГиБ видеопамяти в конфигурации eager, заявленный минимум — GPU на 12 ГБ, коэффициент реального времени 0,32 на H100, то есть примерно в три раза быстрее реального времени на оборудовании, которое измеряла BreezeBlue. Это самый маленький заслуживающий доверия вариант self-host в этой категории. Просто это не тот self-host, который большинство компаний может законно использовать.

То, что не измеряют рейтинги Эло

Пропускная способность — это та область, где преимущество AssemblyAI перестаёт быть погрешностью округления. Artificial Analysis зафиксировала 162 символа в секунду для AssemblyAI-TTS-1 против примерно 45 у Breeze TTS 2 — разница в 3,6 раза в том, как быстро модель превращает текст в аудио. Для пакетной задачи это разница в длине очереди. Для живого агента это разница между моделью, которая успевает за быстро говорящим человеком, и той, которая не успевает. Ответ Breeze на это — его потоковый путь, который, по его заявлениям, достигает менее 40 мс времени до первого аудио; независимые измерения дают p50 времени до первого байта около 119 мс и времени до первого аудио около 134 мс, а 95-й процентиль — около 163 мс. Сопоставимые независимые цифры AssemblyAI более скудны — одна лаборатория, медианная потоковая задержка 159 мс — поэтому относитесь к обеим историям о задержке как к более близким друг к другу, чем предполагает заголовок любого из поставщиков.

По точности на сложных строках разрыв не является близким. Оценка поставщика AssemblyAI указывает точность распознавания сущностей на уровне 93,7% для телефонных номеров, URL-адресов, кодов и названий лекарств — против 82,5% у Cartesia Sonic 3.6 и 68,0% у ElevenLabs Flash v2.5; показателя Breeze в этой таблице нет. Breeze никогда не публиковал аналогичной оценки, и в его карточке модели такое утверждение отсутствует. Если ваш агент подтверждает номера заказов, повторяет вслух адреса электронной почты или проговаривает коды подтверждения, то со стороны Breeze это неоценённый риск, а со стороны AssemblyAI — наиболее документально подтверждённая сильная сторона поставщика.

Где Breeze — просто лучший инструмент

Ничто из вышеперечисленного не делает Breeze плохой моделью — это делает её специалистом. Если продукт — игра с сорока персонажами, приложение с озвученным повествованием или компаньон, который должен звучать как конкретный человек, описанный в промпте, а не как голос, выбранный из выпадающего списка, то конвейер проектирования и режиссуры Breeze — это возможность, которой у AssemblyAI нет ни в каком виде. 4000 голосов AssemblyAI — это библиотека, из которой вы выбираете; голоса Breeze — это голоса, которые создаёте вы сами. Добавьте встроенные вокальные события — смех, вздох, дыхание, вписанные в сценарий, — и вы получите инструмент для исполнительского искусства, а не для объявлений. Заявление о 50 языках также далеко выходит за пределы шести у AssemblyAI, хотя теги самой карточки модели ограничиваются английским и китайским, и никто независимо не проверял более широкий список.

Контраргумент всё тот же и постоянно возвращается: 45 символов в секунду — это медленно, 1,021 Elo на контролируемых голосах — это заурядно, а лицензия блокирует очевидную причину хотеть открытых весов. Breeze TTS 2 — исследовательский артефакт с коммерческой точкой входа. AssemblyAI-TTS-1 — коммерческий продукт без исследовательской истории. Выбирайте по тому, какое из этих утверждений описывает вашу проблему.

Если вы ожидаете, что вам понадобятся оба

Большинство команд голосовых агентов в итоге работают с двумя поставщиками TTS — не потому, что хотят этого, а потому, что качество, языковое покрытие и цена редко совпадают в одной модели. Ни AssemblyAI-TTS-1, ни Breeze TTS 2 сегодня нет в каталоге OrcaRouter, так что это не реклама ни одного из них; честный совет — подключить второго поставщика ещё до того, как у первого случится сбой. Именно для этого и существует автоматический failover, и это также самый дешёвый способ сравнить две TTS-модели методом A/B на своём собственном трафике, а не на наборе промптов поставщика — один ключ, правило маршрутизации и выбранное вами распределение трафика вместо двух контрактов и двух интеграций SDK.

Мы маршрутизируем более 200 моделей через единый API с 0% наценки, передавая цены из прайс-листов провайдеров без изменений, что здесь важно, поскольку цены на TTS меняются ежемесячно: AssemblyAI стартовала с $15, Cartesia держится на уровне $49, а рейтинговая таблица, которая их ранжирует, перетасовывается каждые несколько недель. TTS-варианты, которые мы действительно предоставляем, — это tts-1 от OpenAI, tts-1-hd и gpt-4o-mini-tts, а также Gemini 3.1 Flash TTS Preview от Google — их можно использовать как второй сегмент, пока вы решаете, что действительно нужно вашему продукту: тариф за $15 или инструментарий для дизайна голоса.

Решение, изложенное без обиняков

Выбирайте AssemblyAI-TTS-1, если вы создаёте высоконагруженного агента, работающего в основном с английским и ещё пятью языками, который подтверждает числа и озвучивает структурированные данные, и если преимущество в пропускной способности 162 символа в секунду плюс неограниченная параллельность плюс тарифная сетка, которую можно прогнозировать, для вас важнее самого красивого голоса. Выбирайте Breeze TTS 2, если голос и есть продукт — если вам нужно создавать персонажей, управлять подачей и выдерживать исполнение по всему сценарию — и если вы можете смириться с некоммерческой лицензией на веса, примерно 45 символами в секунду и оценкой контролируемого голоса, находящейся в нижней трети рейтинга.

Единственное, что стоит запомнить: эти двое на самом деле не соперники. Они равны на табло, где поощряется кастинг, и резко расходятся на табло, где поощряется акустика, а модель, которая выглядит слабее при равенстве, оказывается той, что выигрывает измерение при прочих равных. Затем цена и лицензирование решают исход для большинства коммерческих покупателей ещё до того, как аргумент Elo будет услышан.