AssemblyAI-TTS-1 กับ Breeze TTS 2: ต่างกันแค่หนึ่งคะแนน Elo แต่ต่างกันถึง 87 คะแนน

นำ AssemblyAI-TTS-1 และ Breeze TTS 2ไปวางบนบอร์ด Provider Voice ของ Artificial Analysis แล้วทั้งสองแยกกันไม่ออก: 1,227 ต่อ 1,228 ต่างกันหนึ่งคะแนน Elo และหนึ่งตำแหน่งบนบันได เมื่อนำไปวางบนบอร์ด Controlled Voice ซึ่งทุกโมเดลพูดด้วยเสียงโคลนแปดเสียงชุดเดียวกัน ช่องว่างกลับกว้างขึ้นเป็น 87 คะแนน คือ 1,108 ต่อ 1,021 โดย AssemblyAI อยู่อันดับสิบ และ Breeze อยู่อันดับยี่สิบแปด ตัวเลขทั้งสองเป็นของจริง ทั้งคู่ถูกอ่านค่าเมื่อวันที่ 30 ตุลาคม 2026 และระยะห่างระหว่างตัวเลขทั้งสองคือประเด็นทั้งหมดของการเปรียบเทียบครั้งนี้ หนึ่งในโมเดลเหล่านี้มีแค็ตตาล็อกเสียงที่แข็งแกร่งห่อหุ้มโมเดลอะคูสติกธรรมดา ๆ ไว้ ส่วนอีกโมเดลหนึ่งมีโมเดลอะคูสติกที่แข็งแกร่งห่อหุ้มราคาต่ออักขระที่ถูกที่สุดในหมวดหมู่

สิ่งที่ตามมานี้ไม่ใช่การโยนเหรียญที่แต่งขึ้นเป็นบทวิเคราะห์ ผลิตภัณฑ์ทั้งสองมุ่งเป้าไปยังผู้ซื้อที่แตกต่างกัน AssemblyAI-TTS-1 คือ API แบบโฮสต์จากบริษัทรู้จำเสียงพูดที่เพิ่งเพิ่มปากให้หูของตน — เป็น proprietary ราคา 15 ดอลลาร์ต่อล้านอักขระ รองรับหกภาษา และ concurrence ไม่จำกัด Breeze TTS 2 คือโมเดล open-weights ขนาด 3 พันล้านพารามิเตอร์จาก BreezeBlue สตาร์ตอัพที่มีพนักงานสิบห้าคน โดยมี endpoint แบบโฮสต์ในราคา 34 ดอลลาร์ต่อล้านอักขระ และสัญญาอนุญาตน้ำหนักโมเดลที่ห้ามการโฮสต์เองเชิงพาณิชย์ คะแนนนั้นใกล้กันพอที่จะน่าสนใจ และโมเดลเชิงพาณิชย์แทบจะแตกต่างกันที่สุดเท่าที่จะเป็นไปได้

ตัวเลขสองตัวก่อนส่วนอื่น ๆ ที่เหลือทั้งหมด

Artificial Analysis ดำเนินการทดสอบการฟังแบบปกปิดอย่างต่อเนื่อง และกระดานอันดับก็เปลี่ยนแปลงไปตามโมเดล Breeze TTS 2 เปิดตัวในเดือนสิงหาคมด้วย 1,215 Elo และอยู่อันดับ 6 โดยรวม และได้รับการรายงานว่าเป็นรายการ open-weights ที่ดีที่สุดในขณะนั้น สองเดือนและอีกกว่าโหลการเปิดตัวในภายหลัง มันมีคะแนน 1,228 และอันดับ 13 — คะแนนสูงขึ้นแต่อันดับแย่ลง เพราะมีรายการอื่นแซงขึ้นไปเหนือมัน AssemblyAI-TTS-1 มาถึงเมื่อวันที่ 27 ตุลาคมด้วย 1,227 และอันดับ 12 และมีอันดับ 14 สองวันต่อมาด้วยคะแนนเดียวกัน ใครก็ตามที่อ้างอันดับจากโพสต์เปิดตัวโดยไม่มีวันที่ กำลังอ้างข้อเท็จจริงที่ล้าสมัย

• เสียงจากผู้ให้บริการ (เสียงในตัว) — AssemblyAI-TTS-1 1,227, อันดับที่ 14; Breeze TTS 2 1,228, อันดับที่ 13

• เสียงที่ควบคุมได้ (เสียงโคลนที่ใช้ร่วมกันแปดเสียง) — AssemblyAI-TTS-1 1,108, อันดับที่ 10; Breeze TTS 2 1,021, อันดับที่ 28

• ราคาต่อล้านอักขระ — $15 เทียบกับ $34

• เสียง — เสียงจากคลังกว่า 4,000 เสียง พร้อมการโคลนเสียงทันที เทียบกับเสียงที่ออกแบบจากคำอธิบายข้อความ พร้อมคลังเสียงเสริมอีก 15,000 เสียง

• เวทโมเดล — ไม่มี ให้ใช้ผ่าน API เท่านั้น เทียบกับแบบที่ดาวน์โหลดได้แต่ใช้เพื่อการวิจัย/ไม่ใช่เชิงพาณิชย์เท่านั้น

• ภาษา — หกภาษาตอนเปิดตัว เทียบกับ 50 ภาษาที่ถูกกล่าวอ้าง โดยการ์ดโมเดลระบุว่าเป็นภาษาอังกฤษและภาษาจีน

• Throughput — 162 ตัวอักษรต่อวินาที เทียบกับประมาณ 45

การแบ่งแบบสนามควบคุมคือสิ่งที่ต้องซึมซับไว้ เพราะเป็นการวัดเพียงอย่างเดียวในการเปรียบเทียบนี้ที่ควบคุมตัวแปรหนึ่งให้คงที่ Provider Voice ปล่อยให้แต่ละโมเดลเลือกเสียงของตัวเอง โมเดลที่มีตัวละครออกแบบด้วยมือ 15,000 ตัวจึงชนะด้านการคัดเลือกนักพากย์แทนที่จะชนะด้านเสียง Controlled Voice ตัดสิ่งนั้นออกไป Breeze เสีย 207 Elo เมื่อเสียงของตัวเองถูกนำออกจากโต๊ะ ส่วน AssemblyAI เสีย 119 เมื่อกำหนดเสียงให้คงที่ Breeze ไม่ได้อยู่ในวงสนทนา — อันดับ 28 — และ AssemblyAI ยังอยู่ในสิบอันดับแรก

ทำไมผลเสมอจากการฟังแบบปิดตาจึงเป็นเพียงภาพลวงตา

ตารางอันดับผู้ให้บริการเป็นการประกวดความนิยมระหว่างโมเดลที่แต่ละตัวได้รับอนุญาตให้นำเสียงที่ดีที่สุดของตัวเองมาแข่ง และ Breeze ก็มีเสียงแบบนั้นมาเยอะมาก จุดขายของ BreezeBlue คือการออกแบบเสียง: คุณบรรยายตัวละครด้วยภาษาธรรมชาติ แล้วโมเดลจะสังเคราะห์โทนเสียงให้ตรงกัน จากนั้นการกำกับเสียงจะแยกการแสดงน้ำเสียงออกจากอัตลักษณ์ ทำให้คุณขอเสียงแบบ "กระซิบ" หรือ "พูดเร็ว" ได้ โดยที่ผู้พูดยังคงเป็นคนเดิมที่จำได้ ไลบรารี Voice Galaxy ที่มาคู่กันมีเสียงตัวละครมากกว่า 15,000 เสียง นั่นคือแคตตาล็อกแบบที่ชนะการทดสอบความชอบแบบไม่เปิดเผยชื่อโมเดลได้ และยังเป็นแคตตาล็อกแบบที่ไม่ได้บอกอะไรคุณเลยเกี่ยวกับสิ่งที่จะเกิดขึ้นเมื่อคุณยื่นคลิปอ้างอิงให้โมเดลตัวใดตัวหนึ่ง แล้วขอให้มันพูดด้วยเสียงนั้น

เมื่อมอบเสียงโคลนให้ทั้งสองโมเดล ภาพก็กลับด้าน นั่นคือสิ่งที่สนามทดสอบแบบควบคุมทำ และเป็นจุดที่ตัวเลขของผู้ขายเองสอดคล้องกับตัวเลขจากแหล่งอิสระ Breeze รายงานความคล้ายคลึงของผู้พูดที่ 0.67 สำหรับเสียงโคลนของตน ขณะที่ AssemblyAI รายงาน 0.64 ทั้งสองค่าไม่น่าประทับใจ และความแตกต่างระหว่างสองค่านี้อยู่ในระดับนอยซ์ สิ่งที่ไม่ได้อยู่ในนอยซ์คือช่องว่าง Elo 87 คะแนนบนกระดานเดียวกัน หากผลิตภัณฑ์ของคุณต้องการเสียงที่โดดเด่นซึ่งคุณออกแบบเอง เครื่องมือออกแบบของ Breeze ก็คือฟีเจอร์ที่มีความสำคัญจริง ๆ พอดี และจุดอ่อนด้านสนามทดสอบแบบควบคุมของมันก็คือความเสี่ยงจริง ๆ พอดี — โมเดลสามารถสร้างเสียงที่มันทำขึ้นเองได้ และเชื่อถือได้น้อยกว่าในการคงเสียงที่คุณสร้างขึ้น

สิ่งที่ราคาซื้อได้จริง

$15 เทียบกับ $34 เป็นช่องว่าง 2.3 เท่าที่ราคาตามรายการ และช่องว่างนี้จะกว้างขึ้นหรือแคบลงขึ้นอยู่กับวิธีคิดค่าบริการของคุณ AssemblyAI คิดค่าบริการต่ออักขระอินพุต รวมถึงช่องว่างและเครื่องหมายวรรคตอน และให้เสียงทุกเสียงในไลบรารี ทุกภาษาที่รองรับ การโคลนเสียงทันที การประทับเวลาของแต่ละคำ และการประมวลผลในสหรัฐฯ หรือสหภาพยุโรป ในอัตราเดียว โดยไม่มีเพดานจำนวนงานที่ทำพร้อมกันสำหรับแบบจ่ายตามการใช้งาน เอนด์พอยต์แบบโฮสต์ของ Breeze อยู่ที่ $34 ต่อล้านอักขระบนฐานการคิดต่ออักขระเดียวกัน และน้ำหนักโมเดลที่ให้ใช้ฟรีก็ไม่ได้เปลี่ยนสิ่งนั้นสำหรับผู้ใช้เชิงพาณิชย์ — ใบอนุญาตผูกติดกับผลลัพธ์ที่โฮสต์เองเช่นเดียวกับตัวน้ำหนักโมเดลเอง

ลองคำนวณจากบทจริงดู แล้วช่องว่างจะอยู่ที่ประมาณหนึ่งดอลลาร์ต่อเสียงที่เสร็จแล้วหนึ่งชั่วโมงที่ความเร็วการพูดปกติ โดยใช้ค่าประมาณมาตรฐานที่ 15 ตัวอักษรต่อวินาที: ประมาณ 81 เซนต์บน AssemblyAI เทียบกับประมาณ 1.84 ดอลลาร์บน Breeze สำหรับบริษัทที่สร้างเสียงพูดของเอเจนต์หนึ่งแสนชั่วโมงต่อเดือน นั่นคือความต่างระหว่าง 81,000 ดอลลาร์กับ 184,000 ดอลลาร์ — และเป็นส่วนต่างที่คุณต้องจ่ายไปกับเครื่องมือออกแบบเสียงที่คุณอาจไม่ได้ใช้ และเรื่องเล่าเรื่อง open-weights ที่คุณอาจไม่ได้รับอนุญาตให้ลงมือทำ

ไลเซนส์คือทางแยก และมันชี้ไปผิดทางสำหรับ Breeze

น้ำหนักแบบเปิดมักเป็นข้อโต้แย้งที่จบการเปรียบเทียบแบบนี้: ดาวน์โหลดไปรันบนฮาร์ดแวร์ของคุณเอง แล้วเลิกจ่ายตามจำนวนตัวอักษร แต่ข้อโต้แย้งนั้นใช้ไม่ได้เมื่อเจอสัญญาอนุญาตของ Breeze TTS 2 โค้ดสำหรับการอนุมานเป็น Apache 2.0 ส่วนน้ำหนักโมเดลและผลลัพธ์ใด ๆ จากการติดตั้งใช้งานแบบโฮสต์เองอยู่ภายใต้สัญญาอนุญาตเพื่อการวิจัยและไม่ใช่เพื่อการค้า ซึ่งครอบคลุมถึงงานดัดแปลง LoRAs การผสานรวม และการควอนไทซ์ การโฮสต์เองเพื่อการค้าต้องได้รับอนุญาตจาก BreezeBlue ในทางปฏิบัติ API แบบโฮสต์คือเส้นทางเชิงพาณิชย์ ซึ่งหมายความว่าป้ายน้ำหนักแบบเปิดให้คุณได้ตรวจสอบ ทดลอง และมีทางออกฉุกเฉินที่คุณต้องเจรจา — ไม่ใช่เส้นทางสู่การผลิตที่ถูกกว่า

ลองเปรียบเทียบกับ AssemblyAI-TTS-1 ซึ่งไม่เปิดเผยน้ำหนักโมเดลเลยและไม่แสร้งว่าเปิดกว้าง เป็นบริการแบบโฮสต์ที่มีตารางราคาเผยแพร่ไว้และมีตัวเลือกที่ตั้งการเก็บข้อมูล สำหรับผู้ซื้อที่กำลังตัดสินใจระหว่างสองทางเลือกนี้ คำถามไม่ใช่ “เปิดหรือปิด” แต่เป็น “ฉันต้องการเซ็นสัญญาอนุญาตสำหรับการวิจัยและต่อรองสิทธิ์ในการรันโมเดล 3B ด้วยตนเอง หรือฉันต้องการบิลคิดตามจำนวนอักขระที่ฉันคาดการณ์ได้?” ขนาด 3B นั้นใช้งานได้จริงในทางปฏิบัติ — ประมาณ 7.7 GiB ของ VRAM ในคอนฟิกูเรชันแบบ eager, GPU ขนาด 12GB เป็นขั้นต่ำที่ระบุไว้, real-time factor อยู่ที่ 0.32 บน H100 จึงเร็วกว่าเวลาจริงประมาณสามเท่าบนฮาร์ดแวร์ที่ BreezeBlue วัด เพียงแต่มันไม่ใช่การโฮสต์เองที่บริษัทส่วนใหญ่สามารถใช้ได้อย่างถูกกฎหมาย

สิ่งที่กระดาน Elo ไม่ได้วัด

Throughput คือจุดที่ข้อได้เปรียบของ AssemblyAI ไม่ใช่แค่ความต่างเล็กน้อยที่ปัดทิ้งได้ Artificial Analysis บันทึกค่า 162 ตัวอักษรต่อวินาทีสำหรับ AssemblyAI-TTS-1 เทียบกับประมาณ 45 สำหรับ Breeze TTS 2 — ความต่าง 3.6 เท่าในความเร็วที่โมเดลเปลี่ยนข้อความเป็นเสียง สำหรับงานแบตช์ นั่นคือความแตกต่างของความยาวคิว สำหรับเอเจนต์แบบเรียลไทม์ มันคือความแตกต่างระหว่างโมเดลที่ตามคนพูดเร็วทันกับโมเดลที่ตามไม่ทัน คำตอบของ Breeze ต่อเรื่องนี้คือเส้นทางการสตรีม ซึ่งระบุว่ามี time to first audio ต่ำกว่า 40 ms การวัดอิสระให้ค่า p50 time to first byte ใกล้ 119 ms และ time to first audio ใกล้ 134 ms โดย percentile ที่ 95 อยู่ราว 163 ms ตัวเลขอิสระที่เทียบเคียงได้ของ AssemblyAI มีน้อยกว่า — ห้องแล็บหนึ่งให้ค่ามัธยฐาน latency การสตรีมที่ 159 ms — ดังนั้นควรถือว่าเรื่องราว latency ของทั้งสองฝ่ายใกล้กันมากกว่าที่พาดหัวของแต่ละผู้ขายบ่งชี้

ในด้านความแม่นยำของสตริงแบบยาก ช่องว่างไม่ใกล้เคียงเลย การประเมินจากผู้ขายของ AssemblyAI ระบุความแม่นยำของเอนทิตีไว้ที่ 93.7% สำหรับหมายเลขโทรศัพท์ URL รหัส และชื่อยา เทียบกับ 82.5% สำหรับ Cartesia Sonic 3.6 และ 68.0% สำหรับ ElevenLabs Flash v2.5 — ไม่มีตัวเลขของ Breeze ในตารางนั้น Breeze ไม่เคยเผยแพร่ค่าที่เทียบเท่า และการ์ดโมเดลของก็ไม่ได้อ้างถึงค่าดังกล่าว หากเอเจนต์ของคุณยืนยันหมายเลขคำสั่งซื้อ อ่านที่อยู่อีเมลกลับ หรือสะกดรหัสยืนยัน นั่นคือความเสี่ยงที่ไม่ได้รับการวัดฝั่ง Breeze และเป็นจุดแข็งที่มีการบันทึกไว้ดีที่สุดของผู้ขายฝั่ง AssemblyAI

ที่ซึ่ง Breeze เป็นเครื่องมือที่ดีกว่าอย่างแท้จริง

ไม่มีข้อใดข้างต้นทำให้ Breeze เป็นโมเดลที่แย่ แต่ทำให้มันเป็นผู้เชี่ยวชาญเฉพาะทาง หากผลิตภัณฑ์เป็นเกมที่มีตัวละครสี่สิบตัว แอปเสียงเล่าเรื่อง หรือคอมแพนที่ต้องฟังดูเหมือนบุคคลเฉพาะเจาะจงซึ่งอธิบายไว้ในพรอมป์ต แทนที่จะเป็นเสียงที่เลือกจากดรอปดาวน์ ไปป์ไลน์การออกแบบและกำหนดทิศทางของ Breeze ก็คือความสามารถที่ AssemblyAI ไม่มีในรูปแบบใดเลย เสียง 4,000 เสียงของ AssemblyAI คือคลังที่คุณเลือกใช้ ส่วนเสียงของ Breeze คือเสียงที่คุณสร้างสรรค์ขึ้นเอง เมื่อเพิ่มเหตุการณ์เสียงในคำพูด เช่น เสียงหัวเราะ เสียงถอนหายใจ หรือเสียงลมหายใจที่เขียนลงในบท คุณก็ได้เครื่องมือสำหรับการแสดงมากกว่าการประกาศ และคำกล่าวอ้างเรื่อง 50 ภาษาของ它也ไกลเกินกว่าหกภาษาของ AssemblyAI มาก แม้ว่าแท็กในโมเดลการ์ดเองจะหยุดอยู่ที่ภาษาอังกฤษและภาษาจีน และยังไม่มีใครตรวจสอบรายการภาษาที่กว้างกว่านั้นอย่างเป็นอิสระ

ข้อโต้แย้งที่ยังวนกลับมาเสมอคือ 45 ตัวอักษรต่อวินาทีถือว่าช้า 1,021 Elo บนเสียงที่ควบคุมแล้วถือเป็นเรื่องธรรมดา และสัญญาอนุญาตปิดกั้นเหตุผลชัดเจนที่ทำให้อยากได้ open weights Breeze TTS 2 เป็นชิ้นงานวิจัยที่มีช่องทางเชื่อมสู่เชิงพาณิชย์ ส่วน AssemblyAI-TTS-1 เป็นผลิตภัณฑ์เชิงพาณิชย์ที่ไม่มีเรื่องราวงานวิจัย จงเลือกตามว่าประโยคใดในนั้นอธิบายปัญหาของคุณ

หากคุณคาดว่าจะต้องใช้ทั้งสองอย่าง

ทีมเอเจนต์เสียงส่วนใหญ่ลงเอยด้วยผู้ให้บริการ TTS สองราย ไม่ใช่เพราะอยากได้สองราย แต่เพราะคุณภาพ ความครอบคลุมภาษา และราคาแทบไม่เคยลงตัวอยู่ในโมเดลเดียว ทั้ง AssemblyAI-TTS-1 และ Breeze TTS 2 ยังไม่มีอยู่ในแคตตาล็อกของ OrcaRouter ในตอนนี้ ดังนั้นนี่จึงไม่ใช่การโปรโมตแบรนด์ใดแบรนด์หนึ่ง คำแนะนำที่ตรงไปตรงมาคือให้เชื่อมต่อตัวที่สองไว้ก่อนที่ตัวแรกจะล่ม สถานการณ์นี้คือเหตุผลที่ automatic failover มีไว้รองรับ และยังเป็นวิธีที่ประหยัดที่สุดในการทำ A/B โมเดล TTS สองตัวเทียบกับทราฟฟิกของคุณเอง แทนที่จะเทียบกับชุดพรอมต์ของผู้ให้บริการ — ใช้คีย์เดียว กฎการกำหนดเส้นทางหนึ่งข้อ และการแบ่งทราฟฟิกที่คุณเลือก แทนสัญญาสองฉบับและการเชื่อมต่อ SDK สองชุด

เราให้บริการโมเดลมากกว่า 200 รายการผ่าน API เดียวด้วยมาร์กอัป 0% และส่งต่อราคาตามรายการของผู้ให้บริการโดยไม่เปลี่ยนแปลง ซึ่งสำคัญในกรณีนี้เพราะราคา TTS เปลี่ยนแปลงทุกเดือน: AssemblyAI เข้ามาในราคา $15, Cartesia อยู่ที่ $49 และตารางจัดอันดับผู้ให้บริการเหล่านี้สลับใหม่ทุกไม่กี่สัปดาห์ โมเดล TTS ที่เรามีให้บริการจริง ๆ ได้แก่ OpenAI's tts-1, tts-1-hd และ gpt-4o-mini-tts และ Gemini 3.1 Flash TTS Preview ของ Google — ใช้เป็นเส้นทางที่สองได้ระหว่างที่คุณตัดสินใจว่าอัตรา $15 หรือชุดเครื่องมือออกแบบเสียงคือสิ่งที่ผลิตภัณฑ์ของคุณต้องการจริง ๆ

การตัดสินใจที่กล่าวไว้อย่างตรงไปตรงมา

เลือกใช้ AssemblyAI-TTS-1 หากคุณกำลังสร้างเอเจนต์ปริมาณสูงที่เน้นภาษาอังกฤษเป็นหลักพร้อมอีกห้าภาษา ซึ่งยืนยันตัวเลขและอ่านข้อมูลที่มีโครงสร้างออกเสียง และหากข้อได้เปรียบด้านอัตราการประมวลผล 162 อักขระต่อวินาที บวกกับการทำงานพร้อมกันแบบไม่จำกัด บวกกับเรตการ์ดที่คุณคาดการณ์ได้ สำคัญกว่าการมีเสียงที่ไพเราะที่สุด เลือกใช้ Breeze TTS 2 หากเสียงคือตัวผลิตภัณฑ์ — หากคุณต้องออกแบบคาแรกเตอร์ กำกับการส่งเสียง และรักษาระดับการแสดงตลอดทั้งบท — และหากคุณอยู่กับสัญญาอนุญาตน้ำหนักโมเดลแบบไม่ใช่เชิงพาณิชย์ได้ โดยประมาณ 45 อักขระต่อวินาที และคะแนนเสียงแบบควบคุมได้ที่อยู่ในหนึ่งในสามอันดับท้ายของกระดานคะแนน

จุดเดียวที่คุ้มค่าจะจดจำคือ สองตัวนี้ไม่ใช่คู่แข่งกันจริง ๆ พวกเขาเสมอกันบนบอร์ดที่ให้คะแนนเรื่องการแคสต์ และแยกกันอย่างชัดเจนบนบอร์ดที่ให้คะแนนเรื่องอะคูสติก และโมเดลที่ดูอ่อนกว่าในการเสมอกันกลับเป็นตัวที่ชนะการวัด когдаควบคุมปัจจัยอื่นให้คงที่ จากนั้นราคาและสิทธิ์การใช้งานก็เป็นตัวตัดสินสำหรับผู้ซื้อเชิงพาณิชย์ส่วนใหญ่ ก่อนที่ข้อโต้แย้งเรื่อง Elo จะถูกนำมาพิจารณาเสียอีก