Rime Prism против Breeze TTS 2: лицензия — это и есть сравнение

Самое полезное, что можно понять, поставив Rime Prism рядом с Breeze TTS 2, — это не то, какая из них звучит лучше. Дело в том, что один из них — репозиторий под лицензией Apache-2.0, чьи веса модели ограничены исследовательским и некоммерческим использованием, а другой — коммерческий сервис с оплатой за минуту. Эта единственная асимметрия решает исход сравнения ещё до того, как задержка, цена или качество голоса успевают повлиять на него. Prism, запущенный 28 октября 2026 года, — это облачная модель преобразования речи в речь за $0,080 за минуту аудио звонка, которая сначала записывает каждый ответ в виде текста, а затем произносит его. Breeze TTS 2, выпущенная 25 августа 2026 года компанией BreezeBlue, — это модель синтеза речи с открытыми весами и 3 млрд параметров, которую вы запускаете сами, и это компонент, а не агент.

Они не заменяют друг друга. Почти на каждой странице, где их сравнивают, их представляют как две точки на одной оси, и такая подача ошибочна — причём эта ошибка обходится людям в недели. Вот что каждое из них на самом деле собой представляет и где в действительности принимается решение.

Одно — модель, другое — система.

Сопоставьте описания, и категориальная ошибка станет очевидной.

• Что это делает — Prism принимает аудио звонящего на входе и выдаёт речь агента на выходе, от начала до конца, с текстовой контрольной точкой между этими двумя этапами. Breeze TTS 2 принимает текст на входе и выдаёт речь на выходе. Точка.

• Что заменяет — Prism заменяет модель распознавания речи, языковую модель и модель синтеза, а также связующий слой, который заставляет их работать как единый разговор. Breeze TTS 2 заменяет только модель синтеза, и больше ничего.

• Кто это обслуживает — Prism работает в облаке Rime на тарифах Free, Flex и Scale; VPC и локальное развёртывание — только на Enterprise. Breeze TTS 2 работает на вашем GPU — и ни на чьём больше.

• Что вам ещё предстоит построить — с Prism, слоем политик, который считывает чекпоинт. С Breeze TTS 2: распознавание, организация очерёдности реплик, обработка перебиваний, языковая модель, оркестратор и потоковая обвязка, соединяющая всё это.

• Открытость — Prism не публикует веса, количество параметров и список языков. Breeze TTS 2 публикует веса, код инференса и набор бенчмарков.

Если ваша команда состоит из двух человек, а срок — квартал, «построить каскад вокруг Breeze» — это не план, а целый проект. Если у вашей команды уже есть голосовой стек и слабое звено — слой синтеза, аренда Prism означает выбросить работающую инфраструктуру ради исправления одного компонента.

Пункт лицензии, который решает вопрос для большинства компаний

Breeze TTS 2Исходный код распространяется по лицензии Apache 2.0; она выглядит разрешительной, пока дело не доходит до весов. Веса модели, производные модели и результаты, созданные при самостоятельном размещении, лицензируются для исследовательского и некоммерческого использования. Это не та сноска, которую можно обойти, назвав всё прототипом. Промышленное развёртывание в контакт-центре при любом обычном толковании является коммерческим использованием, и лицензия перекладывает риск на сторону, запускающую модель, — а при открытых весах это вы.

Вот в чём разница между моделью, которую можно оценить уже сегодня, и моделью, которую можно выпустить. Оценка на практике бесплатна и не ограничена: скачайте веса, запустите официальный код инференса на PyTorch, прогоните через него собственные скрипты, послушайте, что он делает. Для выпуска требуется коммерческая лицензия от BreezeBlue, а условия этой лицензии не опубликованы на странице модели. Любая сравнительная таблица, где стоимость Breeze TTS 2 указана как «время GPU» и на этом всё заканчивается, молча предполагает лицензию, которую ещё никто не озвучил.

Вопрос лицензирования у Prism обратный и гораздо проще: это сервис, цена опубликована, а коммерческое право включено в поминутную ставку. Бесплатный уровень, Flex, Scale, Enterprise. Никаких переговоров, пока вам не нужен on-prem.

Сколько каждый стоит за минуту, с приведёнными расчётами

Prism всё просто: $0,080 за минуту аудио звонка на Flex, $0,064 на Scale, $0 из бесплатного кредита, пока не закончатся $50. Тысяча минут стоит $80 без учёта телефонии.

Breeze TTS 2 нужен наглядный разобранный пример, потому что за словом «self-hosted» скрывается полная смета. BreezeBlue публикует коэффициент реального времени 0,32 на H100 — примерно 3,1 секунды аудио на секунду вычислений — измеренный на прогретом быстром пути. Eager-инференсу требуется около 7,7 ГиБ, поэтому карта на 12 ГБ — это минимум; путь --fast-all требует 14,4 ГиБ и карту на 24 ГБ.

Возьмём H100 по цене примерно $2 за GPU-час. За один час вы получаете 3 600 секунд вычислений, что при RTF 0,32 даёт около 11 200 секунд аудио, или 186 минут. Делим: примерно $0,011 за минуту синтезированной речи. Это примерно в семь раз дешевле, чем тариф Flex от Prism, — и именно эту цифру люди цитируют.

Дело не в самой цифре. Эти $0.011 не учитывают загрузку. Контакт-центр не работает при 100% загрузке GPU; он работает на пике самого загруженного часа, а остальное время простаивает. При реалистичной средней загрузке 30% эффективная ставка утраивается до примерно $0.033/мин, а при 15% составляет примерно $0.066/мин — это цена Prism, без чекпоинта и со всей операционной нагрузкой. Самостоятельный хостинг оказывается выгоднее поминутной оплаты, только если вы можете постоянно держать карту загруженной, а большинство голосовых развертываний этого не могут, потому что их трафик по своей природе неравномерен.

Задержка: 40 миллисекунд — это не голосовой агент

Заявленный показатель Breeze TTS 2 — менее 40 мс до первого аудио на быстром пути H100. Заявленный показатель Prism — 0,57 секунды. Если читать это в отрыве, выглядит как поражение со счётом четырнадцать к одному. Но это сравнение разных секундомеров.

Отсчёт времени Breeze начинается, когда текст поступает в синтезатор. Отсчёт времени Prism начинается, когда звонящий заканчивает говорить. Между этими двумя точками в случае каскадной схемы находятся распознавание речи из реплики звонящего и полный цикл языковой модели — то, чего Breeze не делает. Опубликованные показатели сквозной задержки каскада обычно составляют от 800 мс до 1,5 секунды, если учитывать распознавание и генерацию, и каждая из этих миллисекунд — момент, когда звонящий гадает, не оборвалась ли линия.

0,57 с у Prism — это заявленная производителем цифра из оценки, проведённой самим производителем на стенде τ-Voice harness; именно это число следует сравнивать с другими сквозными моделями «речь — речь», а не с отдельным компонентом. Справедливо утверждать, что Breeze TTS 2 — самый быстрый синтезатор в этом сравнении со значительным отрывом, а Prism — самая быстрая полная система в нём, поскольку это единственная полная система в этом сравнении.

Есть один случай, когда прямое сравнение действительно работает. Если вы всё равно строите каскад — потому что ваша языковая модель делает то, чего не могут ни Breeze, ни Prism, или потому что вам нужен конкретный движок инференса — тогда 40 мс Breeze дают реальное преимущество в 500 миллисекунд по сравнению с общим бюджетом Prism, который тратится только на этап синтеза. В такой архитектуре вы сравниваете не Breeze с Prism. Вы сравниваете каскад Breeze с каскадом Prism, и этап синтеза — лишь одно слагаемое в сумме.

Где каждый по-настоящему выигрывает

Breeze TTS 2 выигрывает, когда на выходе не разговор. Дублирование, повествование, звук для игры, голос для продукта с 200 фиксированными фразами — для всего этого нужен синтезатор, а не агент, и ни одному из этих сценариев не нужна предварительная проверка политик перед синтезом речи. Режим дизайна голоса Breeze создаёт голос по описанию на естественном языке без референсного аудио, управление голосом задаёт тон и темп существующего клона, а встроенные теги вроде (laugh) и (sigh) добавляют выразительность без второй модели. Для такой работы вопрос лицензии может даже не возникнуть, а экономика на минуту не имеет значения, потому что нет поминутного счётчика.

Prism выигрывает, когда ограничение касается того, что агенту разрешено произносить. Предложение, которое должно пройти проверку, раскрытие информации, которое должно приводиться дословно, номер счёта, который нужно проговаривать посимвольно, а не произносить как слово, — всё это требует контрольной точки на уровне текста, и у Breeze TTS 2 нет эквивалента, потому что текст, который он получает, уже окончателен к моменту, когда он его видит. Можно построить защитный механизм выше по потоку в каскаде, и люди так делают, но тогда вы защищаете вывод языковой модели в собранном вами конвейере, а это и есть большая часть работы, которую продаёт Prism.

Breeze TTS 2 также выигрывает в прозрачности. Вы можете читать веса, запускать его офлайн, воспроизводить заявленные вендором результаты бенчмарков на собственном оборудовании и точно знать, что изменилось между версиями. Prism даёт вам API и примечание к выпуску. Для команды, которая уже обожглась на том, что вендор незаметно изменил голос посреди квартала, это реально чего-то стоит.

Если оставить каскад, слой модели будет маршрутизируемым.

Каскад, в который входит Breeze TTS 2, всё ещё нуждается в языковой модели, и именно эту часть закрывает OrcaRouter. Prism продаётся напрямую компанией Rime и отсутствует в нашем каталоге; Breeze TTS 2 размещается самостоятельно и тоже в нём отсутствует. Зато в каталоге есть всё вокруг них: один ключ для более чем 200 моделей с наценкой 0% к прайс-листу провайдера, с автоматическим переключением при сбое, когда провайдер начинает работать хуже посреди вызова, и DSL-маршрутизацией для определения, какая модель обрабатывает какую реплику. Для голосового агента это удобная конфигурация — небольшая модель для подтверждения, пока абонент ещё говорит, более крупная для поиска, одна точка подключения и один счёт.

Сторона TTS тоже покрыта: openai/tts-1-hd и google/gemini-3.1-flash-tts-preview сегодня оба доступны для маршрутизации по каталожной цене. Это не Breeze TTS 2 и не Prism, но это два конца каскада без второго контракта.

Решение, за один проход

Задайте два вопроса в этом порядке — и ответ обычно находится сам собой.

Сначала: нужно ли что-либо из того, что говорит ваш агент, одобрять, прежде чем это услышит человек? Если да, Prism — единственный вариант в этой паре, где есть место для такого одобрения, и цена лицензии — $0.08/min — это цена контроля. Если нет, продолжайте.

Во-вторых: сможете ли вы обеспечить постоянную загрузку GPU? Если ваша нагрузка синтеза работает почти на пределе производительности и у вас есть инженерная команда, способная отвечать за каскад, то Breeze TTS 2 при стоимости вычислений $0.011/мин — экономически более выгодное решение в семь раз, при условии, что вы получите коммерческую лицензию до запуска. Если вы не можете обеспечить постоянную загрузку карты, эффективная стоимость всё равно сойдётся со стоимостью у Prism, и ради этого вы взвалили на себя весь стек.

Единственный неверный ответ — тот, который дают страницы рейтингов: Breeze дешевле, поэтому побеждает Breeze. Дешевле за минуту аудио — да. Но вы не покупаете аудио у Breeze TTS 2 — вы покупаете синтезатор, а затем строите вокруг него голосового агента, и никто не публиковал отдельную строку затрат на это.

Оговорка о вендорских бенчмарках относится и сюда. Опубликованные BreezeBlue цифры — коэффициент реального времени 0,32 и менее 40 мс до первого аудио на прогретом быстром пути H100 — принадлежат самой компании, получены на модели для английского и китайского языков, а формулировка «rank #1 among open-weight models on the Artificial Analysis TTS leaderboard» — это скорее заявление вендора о позиционировании, чем оценка: на актуальной таблице лидеров она сейчас занимает примерно седьмое место в общем зачёте. Показатель Prism 56,6 на τ-Voice также получен вендором. Ни у одного из этих чисел нет независимого арбитра — и это единственное, что у них двоих действительно общего.