Rime Prism vs Breeze TTS 2: Licensen är jämförelsen

Det mest användbara du kan lära dig av att ställa Rime Prism bredvid Breeze TTS 2 är inte vilken som låter bättre. Det är att den ena är ett Apache-2.0-förråd vars modellvikter är begränsade till forskning och icke-kommersiell användning, och att den andra är en kommersiell tjänst som debiteras per minut. Denna enda asymmetri avgör jämförelsen innan latens, pris eller röstkvalitet får säga sitt. Prism, som lanserades den 28 oktober 2026, är en hostad tal-till-tal-modell för 0,080 USD per minut av samtalsljud som skriver varje svar som text innan den talar det. Breeze TTS 2, som släpptes den 25 augusti 2026 av BreezeBlue, är en text-till-tal-modell med 3 miljarder parametrar och öppna vikter som du kör själv, och den är en komponent snarare än en agent.

De är inte utbytbara. Nästan varje sida som rangordnar dem behandlar dem som två punkter på samma axel, och den framing är fel på ett sätt som kostar folk veckor. Här är vad var och en faktiskt är, och var beslutet egentligen ligger.

Den ena är en modell, den andra är ett system.

Läs beskrivningarna sida vid sida så blir kategorifelet uppenbart.

• Vad den gör – Prism tar emot uppringarens ljud och genererar agentens tal ut, från början till slut, med en textkontrollpunkt däremellan. Breeze TTS 2 tar emot text och genererar tal ut. Punkt slut.

• Vad den ersätter – Prism ersätter en taligenkänningsmodell, en språkmodell och en syntesmodell, samt det lim som får dem att fungera som en enda konversation. Breeze TTS 2 ersätter syntesmodellen, och endast den.

• Vem som driftar det – Prism körs i Rimes moln på nivåerna Free, Flex och Scale; VPC och on-prem endast på Enterprise. Breeze TTS 2 körs på din GPU – och ingen annans.

• Det du fortfarande måste bygga – med Prism, policylagret som läser checkpointen. Med Breeze TTS 2, igenkänning, turtagning, avbrottshantering, språkmodellen, orkestratorn och strömningsinfrastrukturen mellan dem alla.

• Öppenhet – Prism publicerar inga vikter, inget parameterantal och ingen språklista. Breeze TTS 2 publicerar vikter, inferenskod och en benchmarksvit.

Om ert team består av två personer och deadlinen är ett kvartal, är "bygg en kaskad runt Breeze" inte en plan, det är ett projekt. Om ert team redan har en röststack och synteslagret är den svaga länken, innebär att hyra Prism att man kastar bort fungerande infrastruktur för att fixa en enda komponent.

Licensklausulen som är avgörande för de flesta företag

Breeze TTS 2:s källkod är Apache 2.0, vilket låter tillåtande tills man kommer till vikterna. Modellvikterna, härledda modeller och självhostade utdata är licensierade för forskning och icke-kommersiell användning. Det är inte en fotnot man kan kringgå genom att kalla det en prototyp. En produktionsdriftsättning för kontaktcenter är kommersiell användning enligt varje vanlig tolkning, och licensen lägger risken på den part som kör modellen – vilket, med öppna vikter, är du.

Det här är skillnaden mellan en modell som du kan utvärdera i eftermiddag och en modell som du kan skeppa. Utvärdering är gratis och i praktiken obegränsad: ladda ner vikterna, kör den officiella PyTorch-inferenskoden, kör dina egna skript genom den och hör vad den gör. Att skeppa kräver en kommersiell licens från BreezeBlue, och villkoren för den licensen är inte publicerade på modellsidan. Varje jämförelsetabell som anger Breeze TTS 2:s kostnad som ”GPU-tid” och slutar där förutsätter i tysthet en licens som ingen ännu har angett pris för.

Prisms licensfråga är den omvända och mycket enklare: det är en tjänst, priset är publicerat och den kommersiella rättigheten ingår i minutpriset. Free tier, Flex, Scale, Enterprise. Ingen förhandling förrän du vill ha on-prem.

Vad var och en kostar per minut, med uträkningen visad

Prism är enkelt: $0,080 per minut för samtalsljud på Flex, $0,064 på Scale, $0 på den kostnadsfria krediten tills $50 är slut. Tusen minuter kostar $80 före telefontjänster.

Breeze TTS 2 behöver ett genomarbetat exempel, eftersom "självhostat" döljer hela kostnaden. BreezeBlue anger en realtidsfaktor på 0,32 på en H100 – ungefär 3,1 sekunders genererad audio per sekund beräkning – mätt på en uppvärmd snabbväg. Eager-inferens kräver cirka 7,7 GiB, så ett 12 GB-kort är minimum; sökvägen --fast-all kräver 14,4 GiB och ett 24 GB-kort.

Ta en H100 till ungefär $2 per GPU-timme. På en timme har du 3 600 sekunders beräkning, vilket vid ett RTF på 0,32 ger cirka 11 200 sekunder ljud, eller 186 minuter. Dela: cirka $0,011 per minut genererat tal. Det är ungefär sju gånger billigare än Prism Flex-pris — och det är siffran folk citerar.

Det är inte siffran som spelar roll. Det priset på $0.011 tar inte hänsyn till utnyttjandegrad. Ett kontaktcenter kör inte med 100 % GPU-beläggning; det kör vid toppen av sin mest trafikintensiva timme och är inaktivt resten av tiden. Vid en realistisk genomsnittlig utnyttjandegrad på 30 % tredubblas den effektiva taxan till ungefär $0.033/min, och vid 15 % är den cirka $0.066/min – vilket är Prisms pris, utan någon checkpoint och med hela den operativa bördan. Egen drift slår per minut-prissättning bara om du kan hålla kortet sysselsatt, och de flesta röstinstallationer kan inte det, eftersom deras trafik är stötvis till sin natur.

Latens: 40 millisekunder är inte en röstagent

Breeze TTS 2:s huvudsiffra är under 40 ms till första ljud på en H100-snabbväg. Prisms huvudsiffra är 0,57 sekunder. Löst för sig ser det ut som en fjorton-mot-ett-förlust. Det är en jämförelse mellan olika stoppur.

Breezes klocka startar när texten anländer till syntetiseraren. Prisms klocka startar när den som ringer slutar prata. Mellan dessa två punkter ligger, i kaskadfallet, taligenkänning av den ringandes yttrande och en fullständig språkmodellstur – de delar som Breeze inte utför. Publicerade kaskadtider från början till slut landar rutinmässigt mellan 800 ms och 1,5 sekunder när igenkänning och generering räknas in, och varje sådan millisekund är ett ögonblick då den som ringer undrar om linjen har kopplats ned.

Prisms 0,57 s är en leverantörssiffra från en utvärdering som leverantören själv har genomfört på τ-Voice-harnessen, och det är siffran som ska jämföras med andra end-to-end-tal-till-tal-modeller, inte med en komponent. Det rättvisa påståendet är att Breeze TTS 2 är den snabbaste syntetiseraren i den här jämförelsen med god marginal, och att Prism är det snabbaste kompletta systemet i den – eftersom det är det enda kompletta systemet i den.

Det finns en plats där den råa jämförelsen faktiskt håller. Om du ändå bygger en kaskad – eftersom din språkmodell gör något som varken Breeze eller Prism kan, eller för att du behöver en specifik inferensmotor – då är Breezes 40 ms en verklig fördel på 500 millisekunder gentemot Prisms totala budget som bara spenderas på syntessteget. I den arkitekturen jämför du inte Breeze med Prism. Du jämför en Breeze-kaskad med en Prism-kaskad, och syntessteget är bara en term i summan.

Där var och en verkligen vinner

Breeze TTS 2 vinner när resultatet inte är en konversation. Dubbning, uppläsning, ljud till ett spel, en röst för en produkt med 200 fasta fraser – dessa kräver en syntetiserare, inte en agent, och ingen av dem behöver en kontrollpunkt för policy före talet. Breeze voice design-läge genererar en röst från en naturlig språkbeskrivning utan referensljud, voice direction styr ton och tempo hos en befintlig klon, och inline-taggar som (laugh) och (sigh) tillför inlevelse utan en andra modell. För det arbetet kanske licensfrågan inte ens uppstår, och ekonomin per minut är irrelevant eftersom det inte finns någon mätare per minut.

Prism vinner när begränsningen är vad agenten tillåts säga. En mening som måste granskas, en upplysning som måste återges ordagrant, ett kontonummer som måste stavas i stället för att sägas som ett ord – dessa kräver textkontrollpunkten, och Breeze TTS 2 har ingen motsvarighet eftersom texten den tar emot redan är slutlig när den ser den. Du kan bygga ett skyddsräcke uppströms i en kaskad, och det gör folk, men då skyddar du språkmodellens utdata i en pipeline som du själv har satt samman, vilket är det mesta av arbetet som Prism säljer.

Breeze TTS 2 vinner också på transparens. Du kan läsa vikterna, köra det offline, reproducera leverantörens benchmarkpåståenden på din egen hårdvara och veta exakt vad som ändrades mellan versioner. Prism ger dig ett API och ett release-meddelande. För ett team som har bränt sig på att en leverantör tyst ändrar en röst mitt i ett kvartal är det värt något verkligt.

Om du behåller kaskaden är modelllagret routbart.

Kaskaden som Breeze TTS 2 passar in i behöver fortfarande en språkmodell, och det är den delen som OrcaRouter täcker. Prism säljs direkt av Rime och finns inte i vår katalog; Breeze TTS 2 är självhostad och finns inte där heller. Det som finns med är allt runt omkring dem: en nyckel för över 200 modeller med 0 % påslag jämfört med leverantörens listpris, med automatisk failover när en leverantör försämras mitt under ett samtal och ett routing-DSL för att avgöra vilken modell som hanterar vilken tur. För en röstagent är det den användbara formen — en liten modell för bekräftelsen medan den som ringer fortfarande talar, en större för uppslagningen, en slutpunkt och en faktura.

TTS-sidan är också täckt: openai/tts-1-hd och google/gemini-3.1-flash-tts-preview går båda att dirigera i dag till listpris. De är inte Breeze TTS 2 och de är inte Prism, men de är kaskadens två ändar utan ett andra avtal.

Beslutet, i ett svep

Ställ två frågor i den här ordningen så brukar svaret visa sig.

Först: behöver något som din agent säger godkännas innan en människa hör det? Om ja är Prism det enda alternativet i det här paret med en plats att lägga det godkännandet på, och priset för licensen — $0.08/min — är priset för kontrollen. Om nej, fortsätt.

För det andra: kan du hålla en GPU sysselsatt? Om din syntesbelastning ligger nära kapacitet och du har ingenjörsteamet som kan äga en kaskad, är Breeze TTS 2 till $0,011/min i beräkningskostnad det bättre ekonomiska svaret med en faktor sju, förutsatt att du säkrar en kommersiell licens innan du lanserar den. Om du inte kan hålla kortet sysselsatt konvergerar den effektiva kostnaden ändå mot Prisms, och du har tagit på dig hela stacken för att komma dit.

Det enda svar som är fel är det som rankningssidorna ger: att Breeze är billigare, så Breeze vinner. Billigare per minut ljud, ja. Men du köper inte ljud från Breeze TTS 2 – du köper en syntetiserare och bygger sedan en röstagent runt den, och ingen har publicerat någon radpost för det.

Förbehållet kring leverantörsbenchmark hör också hit. BreezeBlues publicerade siffror – en realtidsfaktor på 0,32 och under 40 ms till första ljudet på en uppvärmd H100-snabbväg – är dess egna, körda på en engelsk- och kinesisk modell, och raden "rank #1 bland modeller med öppna vikter på Artificial Analysis TTS-leaderboarden" är ett leverantörspositioneringsuttalande snarare än en poäng: på den aktuella resultattavlan ligger den just nu omkring sjua totalt. Prisms 56,6 på τ-Voice är också leverantörskört. Ingen av siffrorna har en oberoende domare, vilket är det enda dessa två verkligen har gemensamt.