AssemblyAI-TTS-1 vs Breeze TTS 2: En Elo-poäng isär, 87 poäng isär

Sätt AssemblyAI-TTS-1 och Breeze TTS 2 på Provider Voice-tavlan från Artificial Analysis och de är omöjliga att skilja åt: 1,227 mot 1,228, en Elo-poäng, en placering i rangordningen. Sätt dem på Controlled Voice-tavlan – där varje modell talar samma åtta klonade röster – och gapet vidgas till 87 poäng, 1,108 mot 1,021, med AssemblyAI på tionde plats och Breeze på tjugoåttonde plats. Båda siffrorna är verkliga, båda avlästes den 30 oktober 2026, och avståndet mellan dem är hela argumentet i den här jämförelsen. En av dessa modeller har en stark röstkatalog lindad kring en vanlig akustisk modell. Den andra har en stark akustisk modell lindad kring det lägsta priset per tecken i kategorin.

Det här är inte ett myntkast förklätt till analys. De två produkterna riktar sig till olika köpare. AssemblyAI-TTS-1 är ett hostat API från ett taligenkänningsföretag som just har gett sina öron en mun – proprietärt, 15 dollar per miljon tecken, sex språk, obegränsad samtidighet. Breeze TTS 2 är en modell med öppna vikter och 3 miljarder parametrar från BreezeBlue, en startup med femton anställda, med en hostad slutpunkt för 34 dollar per miljon tecken och en viktlicens som förbjuder kommersiell självhosting. Poängen ligger nära nog för att vara intressanta, och de kommersiella modellerna kunde knappast vara mer olika.

Två siffror före något av resten av det

Artificial Analysis genomför sina blindlyssningstester löpande, och resultattavlorna skiftar under modellerna. Breeze TTS 2 debuterade i augusti med 1 215 Elo och en sjätteplats totalt, och rapporterades då som det bästa bidraget med öppna vikter. Två månader och ett dussin lanseringar senare står den på 1 228 och en trettondeplats – en högre poäng och en sämre placering, eftersom fältet fylldes på ovanför den. AssemblyAI-TTS-1 kom den 27 oktober med 1 227 och en tolfteplats, och stod två dagar senare på fjortondeplats med identisk poäng. Den som citerar en placering från ett lanseringsinlägg utan datum citerar ett föråldrat faktum.

• Leverantörsröst (inbyggda röster) — AssemblyAI-TTS-1 1 227, 14:e; Breeze TTS 2 1 228, 13:e

• Kontrollerad röst (åtta delade klonade röster) – AssemblyAI-TTS-1 1 108, 10:e; Breeze TTS 2 1 021, 28:e

• Pris per miljon tecken — 15 USD vs 34 USD

• Röster – över 4 000 röster i biblioteket plus omedelbar kloning kontra designade röster utifrån en textbeskrivning, plus ett tillhörande bibliotek med 15 000 röster

• Vikter — inga, endast API vs nedladdningsbara men endast för forskning/icke-kommersiellt bruk

• Språk — sex vid lansering mot 50 påstådda, modellkortet märkt engelska och kinesiska

• Genomströmning – 162 tecken per sekund mot cirka 45

Uppdelningen i kontrollerad arena är den man bör internalisera, eftersom den är den enda mätningen i den här jämförelsen som håller en variabel konstant. Provider Voice låter varje modell välja sina egna röster, så en modell med 15 000 handdesignade karaktärer kan vinnas på rollbesättning snarare än akustik. Controlled Voice tar bort det. Breeze förlorar 207 Elo när dess egna röster tas bort från bordet; AssemblyAI förlorar 119. När rösten är fast är Breeze inte med i diskussionen – på 28:e plats – och AssemblyAI är fortfarande bland de tio bästa.

Varför oavgjort i blindlyssning är en hägring

Leverantörspanelen är en populäritetstävling mellan modeller som var och en får bidra med sin bästa röst, och Breeze bidrar med många av dem. BreezeBlues försäljningsargument är röstdesign: du beskriver en karaktär i naturligt språk och modellen syntetiserar en klang som matchar, sedan skiljer röstregi leveransen från identiteten så att du kan begära "viskande" eller "stressad" medan talaren förblir igenkännbart samma person. Dess följeslagarbibliotek Voice Galaxy innehåller fler än 15 000 karaktärsröster. Det är den typen av katalog som vinner ett blindt preferenstest, och det är också den typen av katalog som inte säger något om vad som händer när du ger någon av modellerna en referensklip och ber den tala med den rösten.

Ge båda modellerna en klonad röst, och bilden inverteras. Det är vad den kontrollerade arenan gör, och det är där leverantörens egna siffror stämmer överens med de oberoende. Breeze rapporterar 0,67 i talarlikhet för sina kloner; AssemblyAI rapporterar 0,64. Ingen av dem är imponerande, och skillnaden mellan dem ligger inom bruset. Det som inte ligger inom bruset är Elo-gapet på 87 punkter på samma tavla. Om din produkt behöver en distinkt röst som du själv har designat, är Breezes designverktyg exakt den funktion som betyder något, och dess svaghet i den kontrollerade arenan är exakt risken — modellen kan framställa en röst den själv har skapat, men den är mindre pålitlig när det gäller att hålla kvar en röst som du har skapat.

Vad priset faktiskt köper

$15 mot $34 är en 2,3x skillnad till listpris, och den vidgas eller minskar beroende på hur du fakturerar. AssemblyAI tar betalt per tecken i indata, inklusive mellanslag och interpunktion, och bjuder på alla röster i biblioteket, alla språk som stöds, omedelbar kloning, ordtidsstämplar och bearbetning i USA eller EU till ett och samma pris, utan något tak för samtidiga anrop vid pay-as-you-go. Breezes värdbaserade endpoint kostar $34 per miljon tecken på samma teckenbas, och de kostnadsfria vikterna ändrar inte detta för kommersiella användare – licensen gäller för självhostade utdata liksom för själva vikterna.

Kör kalkylen på ett riktigt manus så blir gapet ungefär en dollar per färdig timme ljud vid normal talhastighet: cirka 81 cent hos AssemblyAI mot cirka 1,84 dollar hos Breeze, enligt standarduppskattningen på 15 tecken per sekund. För ett företag som genererar hundratusen timmar agenttal i månaden är det skillnaden mellan 81 000 dollar och 184 000 dollar – och det är en skillnad som du betalar för: röstdesignverktyg som du kanske inte använder och en historia om öppna vikter som du kanske inte får handla utifrån.

Licensen är vägskälet, och det pekar åt fel håll för Breeze.

Öppna vikter är vanligtvis argumentet som avslutar en jämförelse som den här: ladda ner det, kör det på din egen hårdvara, sluta betala per tecken. Det argumentet överlever inte kontakten med licensen för Breeze TTS 2. Inferenskoden är Apache 2.0; vikterna och alla utdata från en självhostad driftsättning faller under en licens för forskning och icke-kommersiellt bruk som sträcker sig till derivat, LoRA:er, sammanslagningar och kvantiseringar. Kommersiell självhosting kräver tillstånd från BreezeBlue. I praktiken är det hostade API:et den kommersiella vägen, vilket betyder att märket för öppna vikter köper dig inspektion, experimenterande och en nödutgång som du måste förhandla fram — inte en billigare produktionsväg.

Jämför det med AssemblyAI-TTS-1, som inte erbjuder några vikter alls och inte gör några anspråk på öppenhet. Det är en hostad tjänst med en publicerad prislista och ett val av datalagringsplats. För en köpare som väljer mellan de två är frågan inte ”öppen eller sluten” utan ”vill jag teckna en forskningslicens och förhandla om rätten att själv köra en 3B-modell, eller vill jag ha en faktura per tecken som jag kan förutse?” Storleken 3B är verkligen praktisk – cirka 7,7 GiB VRAM i eager-konfigurationen, ett 12GB-grafikkort som angivet minimum, en realtidsfaktor på 0,32 på en H100, alltså ungefär tre gånger snabbare än realtid på den hårdvara BreezeBlue mätte. Det är den minsta trovärdiga självhostningen i den här kategorin. Det är bara inte en självhostning som de flesta företag lagligt kan använda.

Det som Elo-tavlorna inte mäter

Genomströmningen är där AssemblyAIs fördel slutar vara ett avrundningsfel. Artificial Analysis uppmätte 162 tecken per sekund för AssemblyAI-TTS-1 mot ungefär 45 för Breeze TTS 2 – en skillnad på 3,6x i hur snabbt modellen omvandlar text till ljud. För ett batchjobb är det en skillnad i kölängd. För en liveagent är det skillnaden mellan en modell som hinner med en snabbpratare och en som inte gör det. Breezes svar på detta är dess strömningsväg, som enligt företaget når under 40 ms till första ljud; oberoende mätningar anger p50-tid till första byte på nära 119 ms och tid till första ljud på nära 134 ms, med en 95:e percentil på omkring 163 ms. AssemblyAIs jämförbara oberoende siffror är tunnare – ett labb, 159 ms medianströmningslatens – så behandla båda latensberättelserna som närmare varandra än vad någon av leverantörernas rubriksiffror antyder.

När det gäller träffsäkerhet på svåra strängar är gapet inte litet. AssemblyAI:s leverantörsutvärdering uppger att träffsäkerheten för entiteter är 93,7 % för telefonnummer, URL:er, koder och läkemedelsnamn, mot 82,5 % för Cartesia Sonic 3.6 och 68,0 % för ElevenLabs Flash v2.5 – det finns ingen Breeze-siffra i den tabellen. Breeze har aldrig publicerat en motsvarande siffra, och dess modellkort hävdar inte någon sådan. Om din agent bekräftar ordernummer, läser upp e-postadresser eller bokstaverar bekräftelsekoder, är det en omätt risk på Breeze-sidan och leverantörens bäst dokumenterade styrka på AssemblyAI-sidan.

Där Breeze helt enkelt är det bättre verktyget

Inget av ovanstående gör Breeze till en dålig modell; det gör den till en specialist. Om produkten är ett spel med fyrtio karaktärer, en narrativ ljudapp eller en följeslagare som behöver låta som en specifik person som beskrivs i en prompt i stället för en röst som väljs från en rullgardinsmeny, är Breezes design- och regipipeline en förmåga som AssemblyAI inte har i någon form. AssemblyAI:s 4 000 röster är ett bibliotek man väljer ur; Breezes är röster man skapar. Lägg till infogade vokala händelser – ett skratt, en suck, en andning skriven i manuset – och du har ett verktyg för framföranden snarare än för meddelanden. Påståendet om 50 språk ligger också långt utanför AssemblyAI:s sex, även om modellkortets egna taggar slutar vid engelska och kinesiska och ingen oberoende har verifierat den bredare listan.

Motargumentet är det som ständigt återkommer: 45 tecken per sekund är långsamt, 1 021 Elo på kontrollerade röster är ordinärt, och licensen blockerar det uppenbara skälet att vilja ha öppna vikter. Breeze TTS 2 är en forskningsartefakt med en kommersiell ingång. AssemblyAI-TTS-1 är en kommersiell produkt utan forskningshistoria. Välj utifrån vilken av dessa meningar som beskriver ditt problem.

Om du räknar med att behöva båda

De flesta voice-agent-team hamnar med två TTS-leverantörer, inte för att de vill utan för att kvalitet, språktäckning och pris sällan landar på en och samma modell. Varken AssemblyAI-TTS-1 eller Breeze TTS 2 finns i OrcaRouter-katalogen i dag, så det här är inte en pitch för någon av dem; det ärliga rådet är att koppla in den andra innan den första får ett avbrott. Det är just det fallet som automatisk failover finns för, och det är också det billigaste sättet att A/B-testa två TTS-modeller mot din egen trafik i stället för mot en leverantörs promptuppsättning – en nyckel, en routingregel och den trafikfördelning du väljer, i stället för två kontrakt och två SDK-integrationer.

Vi dirigerar fler än 200 modeller bakom ett enda API med 0 % påslag, och skickar leverantörernas listpriser vidare oförändrade, vilket är viktigt här eftersom TTS-prissättningen ändras varje månad: AssemblyAI kom in på $15, Cartesia ligger på $49, och rankningstavlan som rangordnar dem ändras med några veckors mellanrum. De TTS-ben vi faktiskt erbjuder är OpenAI:s tts-1, tts-1-hd och gpt-4o-mini-tts samt Googles Gemini 3.1 Flash TTS Preview – användbara som det andra benet medan du avgör om $15-priset eller röstdesignverktyget är det som din produkt faktiskt behöver.

Beslutet, klart uttryckt

Välj AssemblyAI-TTS-1 om du bygger en agent med hög volym som i huvudsak är engelska plus fem språk, som bekräftar siffror och läser strukturerad data högt, och om en genomströmningsfördel på 162 tecken per sekund plus obegränsad samtidighet plus en prislista du kan prognostisera betyder mer än att ha den vackraste rösten. Välj Breeze TTS 2 om rösten är produkten – om du behöver designa karaktärer, regissera framförandet och hålla en prestation genom ett manus – och om du kan leva med en icke-kommersiell licens för modellvikter, ungefär 45 tecken per sekund och en poäng för kontrollerad röst som ligger i den nedre tredjedelen av resultattavlan.

Den enda poängen värd att ta med sig är att dessa två egentligen inte är rivaler. De ligger lika på ett bräde som belönar casting och skiljer sig skarpt åt på ett bräde som belönar akustik, och den modell som ser svagare ut vid oavgjort är den som vinner mätningen när allt annat hålls konstant. Pris och licensiering avgör sedan saken för de flesta kommersiella köpare innan Elo-argumentet ens får komma till tals.