Gemini 3.8 TTS vs Breeze TTS 2: Giấy phép, không phải bảng xếp hạng, mới là thứ quyết định cuộc so tài này

Năm mươi sáu điểm Elo tách biệt Gemini 3.8 Flash TTS và Breeze TTS 2 trên Artificial Analysis Provider Voice Arena, và chúng không nằm trong khoảng sai số của nhau: Mô hình của nhà cung cấp đứng ở vị trí thứ 2 với Elo 1.260 trên 1.999 mẫu và 8 giọng đấu trường, phát hành ngày 23 tháng 9 năm 2026; Breeze TTS 2 đứng ở vị trí thứ 9 với 1.204 trên 1.390 mẫu, phát hành tháng 8 năm 2026. Về giá, thứ tự đảo ngược mạnh — Breeze được niêm yết ở mức 34,00 đô la mỗi triệu ký tự được chuẩn hoá so với 16,50 đô la cho Flash TTS, vì vậy mô hình thắng trên bảng xếp hạng lại thua trên hoá đơn khoảng gấp đôi.

Nếu đó là toàn bộ phép so sánh, thì đây sẽ là một bài ngắn, và bạn sẽ chọn dựa trên mức độ bạn tin tưởng vào khoảng cách 56 điểm. Nhưng hai mô hình không phải là cùng một loại đối tượng. Breeze TTS 2 là mô hình trọng số mở 3 tỷ tham số mà bạn có thể tự tải về, kiểm tra và chạy, với một giấy phép hóa ra lại quan trọng hơn vị trí của nó trên bảng xếp hạng. Gemini 3.8 Flash TTS là một endpoint API với thiết kế giọng nói và đối thoại hai người nói, và không có trọng số nào cả. Quyết định giữa hai mô hình là một câu hỏi về cấp phép và triển khai đang khoác áo của một bài kiểm chuẩn.

Thực tế mỗi thứ là gì

Hãy hiểu rõ đặc điểm của từng mô hình trước khi so sánh các con số, vì chúng khác nhau ở gần như mọi khía cạnh không phải Elo.

• Phân phối — Breeze TTS 2 có thể tải xuống: trọng số được công bố trên Hugging Face với tên BreezeBlue/Breeze-TTS-2 cùng với mã PyTorch. Gemini 3.8 Flash TTS chỉ hoạt động qua API, có thể truy cập thông qua Gemini API và các giao diện Google được nêu trong thông báo ngày 23 tháng 9.

• Kích thước — Breeze TTS 2 là mô hình 3B tham số, đó chính là lý do nó có thể được tự triển khai. Google chưa công bố số lượng tham số cho cả hai mô hình Gemini 3.8 TTS.

• Tạo giọng nói — Gemini 3.8 Flash TTS thiết kế giọng nói từ một mô tả bằng văn bản và nhân bản giọng nói từ một mẫu dài 30 giây. Breeze TTS 2 đi kèm một thư viện giọng nói mà nhà cung cấp đếm được hàng nghìn giọng cùng lộ trình thiết kế giọng nói riêng; các điểm số về mức độ phù hợp vai trò và chỉ đạo diễn xuất do nhà cung cấp báo cáo cho lộ trình đó là của riêng BreezeBlue và không có đối chiếu độc lập nào.

• Đối thoại — Gemini 3.8 Flash TTS tạo ra đối thoại hai người nói trong một lần gọi, với phong cách theo lượt. Breeze TTS 2 là mô hình một giọng nói; một cuộc hội thoại là hai lần chạy được nối lại.

• Ngôn ngữ — Theo con số của nhà cung cấp, Breeze TTS 2 bao phủ 50 ngôn ngữ. Thông báo của Google ghi 130 ngôn ngữ cho model Flash, nhưng hai con số này không đo lường cùng một thứ và không nên được hiểu là 130 so với 50.

• Độ trễ — BreezeBlue tuyên bố độ trễ truyền phát dưới 40 ms; Google không công bố con số tương đương nào cho Flash TTS. Cả hai con số đều không được xác minh độc lập, và chỉ một trong hai con số ấy thực sự tồn tại.

Giấy phép mới là ngã rẽ thực sự.

Đây là phần mà bảng xếp hạng không thể cho bạn thấy, và đó là lý do hai mô hình không thể thay thế cho nhau ngay cả khi chất lượng của chúng tương đương.

Các trọng số của Breeze TTS 2 được phát hành theo giấy phép nghiên cứu và phi thương mại BreezeBlue. Mã nguồn trong cùng kho đó là Apache 2.0. Hai sự thật này nằm cạnh nhau trên thẻ mô hình và bị gộp thành "mã nguồn mở" trong phần lớn các bài đưa tin, điều đó sai theo hướng gây tốn kém tiền bạc: việc mã nguồn là Apache 2.0 không làm cho các trọng số trở thành Apache 2.0, và việc sử dụng thương mại mô hình phải thông qua API được lưu trữ chứ không phải qua một checkpoint tự lưu trữ.

Phía Google hoàn toàn không có vấn đề gì về giấy phép, vì chẳng có gì để cấp phép cả. Bạn đang mua suy luận. Thứ bạn đánh đổi chính là thứ mà trọng số mở thường được mua để có — khả năng chạy mô hình ngay tại nơi dữ liệu đang ở, ghim một phiên bản và giữ nguyên nó, và ngừng trả tiền theo từng ký tự.

Vậy cách đặt vấn đề trung thực không phải là mở so với đóng. Mà là:

• Nếu việc triển khai của bạn buộc phải giữ âm thanh trong hạ tầng của chính mình, thì Breeze TTS 2 là lựa chọn duy nhất trong hai lựa chọn mở ra một hướng đi, và hướng đi đó là giấy phép nghiên cứu. Hãy tham khảo ý kiến luật sư trước khi bạn xây dựng sản phẩm dựa trên nó.

• Nếu triển khai của bạn có thể gọi API, câu hỏi về giấy phép sẽ biến mất và việc so sánh quay trở lại với chất lượng, giá cả và tính năng — trong đó Flash TTS dẫn trước ở hai trong ba tiêu chí.

• Nếu bạn muốn trọng số mở mà bạn có thể thương mại hoá mà không cần trao đổi qua lại, thì không cái nào trong hai cái này là mô hình đó, và đấu trường còn có những dòng khác.

Khi nào chênh lệch Elo có ý nghĩa và khi nào thì không

Khoảng cách 56 điểm nằm ngoài các khoảng tin cậy ±16 và ±16 mà bảng báo cáo cho hai hàng này, vì vậy thứ hạng không phải là nhiễu theo cách mà, chẳng hạn, Flash TTS đối đầu với Gemini 3.8 Flash-Lite TTS là nhiễu. Nhưng Elo đấu trường chỉ đo một thứ: trong hai clip, người nghe thích clip nào hơn trong một so sánh mù. Đây là một tín hiệu sở thích, được tổng hợp lại.

Điều mà nó không đo lường chính là mọi thứ mà một pipeline sản xuất quan tâm. Nó không cho bạn biết mỗi mô hình xử lý một kịch bản dài 40 phút mà không bị trôi dạt danh tính như thế nào, cách nó phát âm tên sản phẩm của bạn ra sao, nó hành xử thế nào khi đầu vào chứa số điện thoại, hay kiểu thất bại của nó trông ra sao khi được yêu cầu điều gì đó nằm ngoài tập huấn luyện của nó. 1.390 mẫu của Breeze TTS 2 và 1.999 mẫu của Flash TTS đều đủ lớn để kết quả tổng hợp ổn định, và đều đủ nhỏ để không có phân đoạn riêng lẻ nào trong trường hợp sử dụng của bạn được đại diện trong đó.

Khoảng cách này cũng hẹp hơn vẻ ngoài của nó khi bạn tính đến những gì mỗi mô hình được yêu cầu làm. Flash TTS đang xử lý hai người nói trong một lần gọi, vốn là một tác vụ khó hơn tác vụ mà Breeze TTS 2 được chấm điểm. Việc điều đó khiến 56 điểm là đánh giá thấp hay đánh giá quá cao phụ thuộc vào trường hợp sử dụng của bạn, và cả hai nhà cung cấp đều chưa công bố thí nghiệm ablation có thể giải đáp điều đó.

Mỗi giờ của từng loại tốn bao nhiêu

Hai số liệu về giá này không thể so sánh trực tiếp với nhau, và giả vờ rằng có thể là lỗi phổ biến nhất trong các bài viết về màn đối đầu này.

Google tính phí bằng token: 0,50 USD cho mỗi triệu token văn bản đầu vào và 9,00 USD cho mỗi triệu token âm thanh đầu ra đến hết ngày 31 tháng 12 năm 2026, sau đó là 18,00 USD. Batch và Flex có mức 0,25 USD và 4,50 USD; Priority có mức 0,90 USD và 16,00 USD. Flash-Lite TTS, mô hình cùng dòng, có giá 0,50 USD và 6,00 USD, sau đó là 12,00 USD.

BreezeBlue tính phí theo ký tự: $34.00 cho mỗi triệu ký tự thông qua API được lưu trữ.

Artificial Analysis chuẩn hóa cả hai về cơ sở trên mỗi triệu ký tự để chúng có thể dùng chung một bảng, và đó là nguồn gốc của con số $16.50 so với $34.00. Việc chuẩn hóa là của bảng, không phải của bên cung cấp nào — Google không công bố đơn giá theo ký tự cho Flash TTS, và việc coi $16.50 là báo giá thay vì một phép quy đổi chính là cách khiến người ta bị bất ngờ khi nhận hóa đơn.

Hai hệ quả đáng để lập kế hoạch ứng phó:

Giá Flash TTS tăng gấp đôi vào ngày 1 tháng 1 năm 2027. Nếu lập ngân sách theo mức giá khuyến mãi, khoảng cách với Breeze TTS 2 thu hẹp đáng kể; nếu lập ngân sách ở mức 18,00 đô la, khoảng cách gần như được xóa bỏ.

• Tự vận hành Breeze TTS 2 không khiến nó trở nên miễn phí, mà biến nó thành một chi phí vốn. Một mô hình 3B đủ nhỏ để chạy trên phần cứng khiêm tốn, nhưng phép tính chỉ có lợi ở quy mô lớn, và chỉ với trường hợp sử dụng mà giấy phép nghiên cứu cho phép.

Lựa chọn, không giả vờ rằng chỉ có một đáp án

Cây quyết định thì ngắn.

Chọn Gemini 3.8 Flash TTS nếu bạn cần đối thoại hai người nói, nếu bạn muốn một giọng nói được thiết kế từ mô tả và giữ làm ID, nếu pipeline của bạn có thể gọi API, và nếu thay đổi giá ngày 31 tháng 12 là điều bạn có thể lên kế hoạch trước. Đây là mô hình tốt hơn trên bảng xếp hạng độc lập và rẻ hơn trên hóa đơn, và việc nó là mô hình đóng không phải vấn đề đối với một trường hợp sử dụng mà vốn dĩ sẽ luôn là một lệnh gọi API.

Chọn Breeze TTS 2 nếu lưu trú dữ liệu hoặc suy luận tại chỗ là yêu cầu bắt buộc, nếu bạn cần một mô hình 3B mà bạn thực sự có thể tải xuống, hoặc nếu bạn đang làm nghiên cứu thay vì đưa sản phẩm ra thị trường — đó chính xác là trường hợp mà giấy phép của nó được viết ra để phục vụ. Đừng chọn nó chỉ vì nhãn open-weights; hãy đọc giấy phép trước.

Và nếu bạn đang đánh giá cả hai, cách tiết kiệm để làm điều đó là giữ cho lựa chọn có thể đảo ngược. OrcaRouter không tự vận hành mô hình nào trong hai mô hình này — nơi gọi Gemini 3.8 Flash TTS là API của chính Google cùng các bề mặt mà Google đã chỉ định, còn nơi gọi Breeze TTS 2 là endpoint do BreezeBlue vận hành. Điều mà một router hữu ích ở đây là phần còn lại của stack: hơn 200 mô hình phía sau một khóa duy nhất với giá niêm yết của nhà cung cấp không phụ phí, nên một thay đổi giá của nhà cung cấp như mức tăng giá tháng Một sẽ có hiệu lực ngay trong cùng ngày thay vì vào chu kỳ thanh toán kế tiếp, chuyển đổi dự phòng tự động để một đường dẫn đang được đánh giá không nhất thiết phải là đường dẫn trong môi trường production, cùng một DSL định tuyến giúp kết hợp các mô hình thành một lời gọi duy nhất khi một giọng nói là chưa đủ.

Bản một dòng: bảng xếp hạng nói Google, giấy phép nói còn tùy, và mức giá nói hãy kiểm tra lịch của bạn trước khi bạn chọn một trong hai.