GPT-Live-1 ปะทะ Breeze TTS 2: ผู้นำด้านเสียงแบบเปิดน้ำหนักที่คุณไม่สามารถนำไปใช้งานจริงได้

Breeze TTS 2 เป็นโมเดลแปลงข้อความเป็นเสียงแบบโอเพนเวตที่ได้คะแนนสูงสุดบน Provider Voices Speech Arena ของ Artificial Analysis โดยมี 1,205 Elo และอยู่อันดับที่เจ็ดโดยรวมในบรรดาระบบที่ได้รับการจัดอันดับมากกว่าหนึ่งร้อยระบบ — แซงหน้าทุกเอนจินที่ได้รับอนุญาตเชิงพาณิชย์ซึ่งเผยแพร่เวตของตน เวตของมันดาวน์โหลดได้ตั้งแต่ 25 สิงหาคม 2026 และภายใต้ใบอนุญาตที่เวตเหล่านั้นมาพร้อมด้วย มันก็ยังใช้งานในผลิตภัณฑ์ไม่ได้เช่นกัน GPT-Live-1 เป็นการแลกเปลี่ยนที่ตรงกันข้ามในทุกมิติ: เป็นแบบปิด โฮสต์ให้บริการ คิดค่าบริการ $0.05 ต่อนาทีของเสียงนับตั้งแต่เข้าสู่ developer API ของ OpenAI เมื่อวันที่ 10 กันยายน 2026 และเป็นเพียงหนึ่งเดียวในสองตัวที่ได้ยินผู้โทรขัดจังหวะมันได้

เอาสองประโยคนั้นมาวางไว้ข้าง ๆ กัน แล้วการเปรียบเทียบก็ได้ข้อสรุปเร็วยิ่งกว่าการเทียบโมเดลส่วนใหญ่เสียอีก นี่ไม่ใช่การชกกันว่าตัวไหนสังเคราะห์เสียงพูดได้ดีกว่า แต่เป็นการชกกันว่าคุณกำลังซื้อ "เสียง" หรือ "บทสนทนา" กันแน่ และคำว่า "open" หมายถึงสิ่งที่คุณคิดไว้ว่ามันหมายถึงหรือเปล่า

พวกมันไม่ใช่สิ่งประเภทเดียวกัน และนั่นแหละคือประเด็น

Breeze TTS 2 จากสตาร์ทอัพที่มีพนักงานราวสิบห้าคนชื่อ BreezeBlue เป็นโมเดลแปลงข้อความเป็นเสียงพูดขนาด 3 พันล้านพารามิเตอร์ ข้อความเข้าไป เสียงออกมา มันไม่ได้ยินอะไรเลย มันไม่มีความเห็นว่าเทิร์นควรจบเมื่อใด เพราะมันไม่มีแนวคิดเรื่องเทิร์น เมื่อสตรีมผ่าน WebSocket มันจะเริ่มสร้างเสียงก่อนที่ข้อความของคุณจะสร้างเสร็จด้วยซ้ำ ซึ่งมีประโยชน์อย่างแท้จริงในการทำให้จังหวะของวอยซ์เอเจนต์กระชับ แต่การตัดสินใจว่าจะพูดเมื่อใดนั้นถูกกำหนดโดยสิ่งที่เขียนข้อความนั้น

GPT-Live-1 เป็นโมเดลเสียงเป็นเสียงแบบฟูลดูเพล็กซ์ เสียงและข้อความเข้าไป เสียงและข้อความออกมา และโมเดลตัดสินใจหลายครั้งต่อวินาทีว่าจะฟังต่อไป หยุดชั่วคราว รับช่วงพูด หรือปล่อยช่วงพูดให้อีกฝ่าย ตัวเลขจาก Full Duplex Bench v1.5 ของ Open​AI เอง ที่เผยแพร่พร้อมการเปิดตัวและไม่ถูกนำไปเผยแพร่ซ้ำนอกบริษัท ระบุว่าความสามารถในการโต้ตอบของมันอยู่ที่ 80.1% เมื่อเทียบกับ 45.4% ของ GPT-Realtime-2.1 โดยมีความหน่วงในการสลับช่วงพูด 0.798 วินาที เทียบกับ 1.41 วินาที

ความไม่สมมาตรนั้นไม่ใช่การตำหนิ Breeze TTS 2 แต่อย่างใด มันเป็นคำเตือนว่าแต่ละตัวควรอยู่ตรงไหนในสแต็ก หากคุณกำลังสร้างระบบแบบคาสเคด — การรู้จำเสียงป้อนเข้าสู่โมเดลภาษา แล้วป้อนเข้าสู่ตัวสังเคราะห์เสียง — Breeze TTS 2 เป็นตัวเลือกสำหรับหนึ่งในสามส่วนสุดท้ายของระบบนั้น หากคุณซื้อ GPT-Live-1 คุณกำลังซื้อลูปทั้งหมด และส่งมอบตรรกะการผลัดกันพูดไปพร้อมกับมัน

ทีละมิติ

• รูปแบบการโต้ตอบ — GPT-Live-1: ฟูลดูเพล็กซ์, การพูดแทรกแบบเนทีฟ, ฟังไปพร้อมกับพูด เทียบกับ Breeze TTS 2: การแปลงข้อความเป็นเสียงแบบสตรีมมิ่ง, ไม่มีอินพุตเสียงเลยแม้แต่น้อย

• ค่าน้ำหนักโมเดล — GPT-Live-1: ปิด ให้บริการแบบโฮสต์เท่านั้น มี ID โมเดลเพียงหนึ่งเดียวและไม่มีสแนปช็อตที่ระบุวันที่ เทียบกับ Breeze TTS 2: พารามิเตอร์ 3B บน Hugging Face ตั้งแต่ 25 สิงหาคม 2026 โค้ดสำหรับการอนุมานด้วย PyTorch ภายใต้ Apache-2.0

• สัญญาอนุญาต — GPT-Live-1: เงื่อนไขทางการค้าผ่าน API ของ Open​AI ไม่มีอะไรต้องตรวจสอบ เทียบกับ Breeze TTS 2: สัญญาอนุญาตสำหรับการวิจัยและไม่ใช่เชิงพาณิชย์ ครอบคลุม weights, fine-tunes, LoRAs, merges, quantisations และเอาต์พุตที่โฮสต์เอง

• หน่วยราคา — GPT-Live-1: $0.05 ต่อนาทีเสียง คิดค่าบริการรายวินาที ระบบประมวลผลส่วนหลังคิดค่าบริการแยกต่างหาก เทียบกับ Breeze TTS 2: $34 ต่อล้านตัวอักษรบนเอนด์พอยต์ที่โฮสต์ ลดหลั่นลงถึง $28 ที่แผนสูงสุดที่ประกาศ

• หลักฐานด้านคุณภาพ — GPT-Live-1: 70.3% บน Artificial Analysis Speech to Speech Index อยู่อันดับที่ 6 ร่วมจาก 14 โมเดลที่ได้คะแนน เทียบกับ Breeze TTS 2: 1,205 Elo บน Provider Voices arena เป็นอันดับที่ 7 โดยรวม และอันดับที่ 1 ในบรรดาโมเดล open-weights ตามข้อมูลจาก Artificial Analysis

• ภาษา — GPT-Live-1: การรายงานข่าวการเปิดตัวชี้ให้เห็นอย่างสม่ำเสมอถึงความคล่องแคล่วที่ไม่สม่ำเสมอในภาษานอกกลุ่มภาษาหลัก เมื่อเทียบกับ Breeze TTS 2 ที่ผู้ขายอ้างว่ามี 50 ภาษา โดยการ์ดโมเดลติดแท็กไว้สำหรับภาษาอังกฤษและภาษาจีน

• การควบคุมด้วยเสียง — GPT-Live-1: เสียงจาก API จำนวน 12 เสียง โทนเสียงและจังหวะควบคุมผ่านพรอมต์ ไม่มีการโคลนเลย เมื่อเทียบกับ Breeze TTS 2: การโคลนจากเสียงอ้างอิง การออกแบบเสียงโดยไม่ต้องมีเสียงอ้างอิง การกำกับเสียง และอีเวนต์เสียงร้องแบบอินไลน์

• อัตราการประมวลผล — GPT-Live-1: วัดตามจำนวนเซสชันที่ทำงานพร้อมกัน จำกัดไว้ที่ 25 ในระดับชั้น 1 และ 500 ในระดับชั้น 5 โดยไม่มีระดับฟรี เทียบกับ Breeze TTS 2: ประมาณ 45 ตัวอักษรต่อวินาทีจากการวัดของ Artificial Analysis ซึ่งช้ากว่าคู่แข่งเชิงพาณิชย์หลายราย และมีความสำคัญต่องานแบบยาว

ใบอนุญาตทำงานได้มากกว่าตารางอันดับ

การ์ดโมเดลของ BreezeBlue เองก็พูดตรง ๆ เกี่ยวกับเรื่องนี้อย่างผิดปกติ ซึ่งนับเป็นเครดิตของบริษัท โค้ดสำหรับการอนุมานเป็นแบบ Apache-2.0 น้ำหนักโมเดลและเอาต์พุตใด ๆ ที่คุณสร้างขึ้นจากการโฮสต์ด้วยตนเองนั้นมีไว้เพื่อการวิจัย ส่วนการใช้งานเชิงพาณิชย์ต้องอาศัยการสมัครใช้บริการโฮสต์แบบเสียค่าใช้จ่าย หรือได้รับอนุญาตเป็นลายลักษณ์อักษร ข้อจำกัดนี้ครอบคลุมอย่างชัดเจนถึงโมเดลอนุพันธ์ LoRAs การรวมโมเดล และการควอนไทซ์ ซึ่งปิดช่องโหว่ที่ผู้คนมักใช้เป็นทางเลี่ยง

ดังนั้นกรอบคำว่า "ผู้นำด้าน open-weights" จึงจำเป็นต้องมีคำขยายความที่พาดหัวข่าวแทบไม่เคยมี Breeze TTS 2 เปิดในแง่ที่คุณสามารถดาวน์โหลด ตรวจสอบ วัดประสิทธิภาพ และรันบนฮาร์ดแวร์ของคุณเองเพื่อประเมินได้ แต่มันไม่ได้เปิดในแง่ที่ทำให้สตาร์ทอัพสร้างผลิตภัณฑ์บนพื้นฐานของมันได้โดยไม่ต้องจ่ายเงินให้ BreezeBlue หรือไม่ต้องซื้อการตรวจสอบทางกฎหมาย สองในสามสิ่งที่ผู้คนหมายถึงเมื่อพูดถึง open weights — ความสามารถในการตรวจสอบยืนยันและต้นทุน — คุณได้มา ส่วนอย่างที่สาม — อิสระในการนำออกจำหน่าย — คุณไม่ได้

นั่นคือความแตกต่างที่แท้จริงจากโมเดลอย่าง GPT-Live-1 ซึ่งคำถามเรื่องใบอนุญาตไม่ใช่ "ฉันขออนุญาตได้ไหม" แต่เป็น "เท่าไหร่" ทั้งสองแบบลงเอยด้วยใบเรียกเก็บเงิน มีเพียงแบบเดียวเท่านั้นที่ลงเอยด้วยความเห็นของทนายความก่อน

หน่วยราคาสองหน่วยนี้เปรียบเทียบกันไม่ได้ ดังนั้นนี่คือการคำนวณ

$0.05 ต่อนาทีกับ $34 ต่อล้านตัวอักษรดูเหมือนอยู่คนละจักรวาล เพราะมันเป็นอย่างนั้นจริง ๆ หากจะเปรียบเทียบสองสิ่งนี้ คุณต้องแปลงหน่วยก่อน คำพูดโดยทั่วไปจะมีความเร็วประมาณ 150 คำต่อนาที และภาษาอังกฤษมีค่าเฉลี่ยประมาณ 5.5 ตัวอักษรต่อคำเมื่อนับรวมช่องว่าง ดังนั้นคำพูดหนึ่งนาทีจึงอยู่ที่ประมาณ 800 ถึง 900 ตัวอักษร ที่ราคา $34 ต่อล้านของ Breeze TTS 2 นั่นคิดเป็นการสังเคราะห์เสียงประมาณสามเซนต์ต่อนาที — ถูกกว่าห้าเซนต์ของ GPT-Live-1 เมื่อเทียบเฉพาะเสียงพูดล้วน ๆ

การเปรียบเทียบนี้พังทันทีหลังจากนั้น เพราะห้าเซนต์ของ GPT-Live-1 นั้นรวมการฟังเข้าไปด้วย มันยังถอดเสียงผู้โทร ตัดสินใจว่าช่วงการพูดจบเมื่อไร และจัดการการขัดจังหวะ — งานที่ระบบแบบคาสเคดต้องไปซื้อจากที่อื่น ไม่ว่าจะเป็นโมเดลรู้จำเสียงพูด โมเดลตรวจจับการจบช่วงการพูด และโมเดลภาษาเพื่อสร้างข้อความที่ Breeze TTS 2 จะอ่าน พอเพิ่มสิ่งเหล่านั้นเข้าไป สามเซนต์จากการสังเคราะห์เสียงของคาสเคดก็อยู่ภายใต้งบบิลที่มักจะใหญ่กว่าของโมเดลแบบ end-to-end

ข้อสรุปที่ตรงไปตรงมาคือเสียงที่ถูกกว่าคือ Breeze TTS 2 และการสนทนาที่ถูกกว่าคือ GPT-Live-1 และความแตกต่างระหว่างสองข้อกล่าวอ้างนั้นคือทุกสิ่งทุกอย่างที่voice agentต้องจ่ายจริง

ที่ที่พวกเขาจะได้เจอกันจริง ๆ

ทีมที่สร้างเอเจนต์โทรศัพท์ในวันนี้และไม่ต้องการผูกมัดกับสแต็กแบบครบวงจรของผู้ขายรายใดรายหนึ่ง จะประกอบเป็นลำดับชั้นแบบนี้พอดี: Breeze TTS 2 หรือเอนจินที่เทียบเคียงได้สำหรับปาก, อย่างอื่นสำหรับหู, และโมเดลภาษาที่ผ่านการจัดเส้นทางสำหรับการคิด ส่วนสุดท้ายในสามส่วนนี้คือชิ้นส่วนที่เปลี่ยนแปลงบ่อยที่สุด — เป็นจุดที่คุณภาพพัฒนาผ่านเร็วที่สุด, จุดที่ต้นทุนผันแปรมากที่สุด, และเป็นจุดที่โมเดลที่ชนะไตรมาสนี้แทบไม่เคยเป็นตัวเดียวกับที่ชนะไตรมาสหน้า

เลเยอร์นั้นเป็นการเรียก API ตามปกติ และเป็นส่วนเดียวของสแต็กนี้ที่คุ้มค่าจะรักษาไว้ให้พอร์ตได้ ราว ๆ โมเดล 190 ตัวจากผู้ให้บริการต้นทาง 11 รายอยู่เบื้องหลังคีย์ OrcaRouter เพียงคีย์เดียว ในราคาตามที่ผู้ให้บริการประกาศไว้โดยไม่บวกเพิ่ม ดังนั้นการสลับโมเดลที่ใช้คิดวิเคราะห์เบื้องหลัง voice agent จึงเป็นแค่การเปลี่ยนการตั้งค่า ไม่ใช่โปรเจกต์งานเชื่อมต่อระบบ และการสลับไปใช้ระบบสำรองอัตโนมัติก็ช่วยไม่ให้แบ็กเอนด์ที่ตอบสนองหมดเวลาทำให้สายสนทนาหลุด ทั้งเอนด์พอยต์ Live Sessions ของ GPT-Live-1 และ API แบบโฮสต์ของ Breeze TTS 2 ต่างก็เข้าถึงด้วยวิธีนี้ไม่ได้ — ชั้นเสียงในบทเปรียบเทียบนี้อยู่นอกเหนือการเข้าถึงของเลเยอร์จัดเส้นทาง และควรพูดให้ชัดเจนในเรื่องนี้มากกว่าจะปล่อยให้เข้าใจเป็นอย่างอื่น

เลือกอันไหนดี

เลือก GPT-Live-1 หากบทสนทนาเองคือผลิตภัณฑ์ และคุณยอมรับฟรอนต์เอนด์แบบโฮสต์และปิดได้ สายจอง ซัพพอร์ตแนวหน้า อะไรก็ตามที่การที่ผู้โทรพูดขัดเอเจนต์เป็นเรื่องปกติมากกว่าจะเป็นข้อยกเว้น คุณกำลังซื้อความสามารถในการจัดการการพูดขัด และคุณกำลังซื้อมันในอัตราต่อนาทีที่ยังคาดเดาได้ ในขณะที่เหตุผลเบื้องหลังเป็นส่วนที่คุณปรับจูนเอง

เลือก Breeze TTS 2 หากคุณต้องการเสียงที่คุณสามารถตรวจสอบได้ หากคุณกำลังสร้างผลิตภัณฑ์ที่การสังเคราะห์เสียงเป็นเพียงองค์ประกอบหนึ่งในหลาย ๆ อย่าง หรือหากคุณต้องการการโคลนเสียงและการออกแบบเสียงที่ GPT-Live-1 ไม่มีให้บริการเลย โปรดทราบก่อนตัดสินใจว่า weights มีไว้สำหรับการวิจัย การอ้างว่ามี 50 ภาษานั้นเป็นคำกล่าวอ้างของผู้ขาย ขณะที่การ์ดของโมเดลระบุไว้เพียงสองภาษา และตัวเลขความหน่วงนั้นเป็นผลการวัดของ BreezeBlue เองบนเส้นทางที่เร็วซึ่งอุ่นเครื่องแล้ว ไม่ใช่การตรวจสอบโดยหน่วยงานอิสระ

สัญชาตญาณที่จะมองว่านี่คือการแข่งขันกันเรื่องคุณภาพนั้นเป็นสัญชาตญาณที่ผิด Breeze TTS 2 อยู่ใกล้จุดสูงสุดของกระดานที่มันลงแข่ง และ GPT-Live-1 ลงแข่งบนกระดานที่แตกต่างออกไปโดยสิ้นเชิง การตัดสินใจที่ทำให้ต้องเสียเงินจริง ๆ คือการตัดสินใจที่อยู่ภายใต้ทั้งสองตัวนั้น: โมเดลไหนเป็นตัวคิด และคุณเปลี่ยนใจเรื่องนั้นได้ภายในบ่ายวันเดียวหรือไม่