AssemblyAI-TTS-1 对比 Breeze TTS 2：Elo 仅差 1 分，分差却达 87 分

把AssemblyAI-TTS-1和Breeze TTS 2放到 Artificial Analysis 的 Provider Voice 榜单上，两者几乎无从分辨：1,227 对 1,228，只差一个 Elo 分，只差一个榜单位次。再把它们放到 Controlled Voice 榜单上——在那里，每个模型都说同样的八个克隆音色——差距便拉大到 87 分，1,108 对 1,021，AssemblyAI 位列第十，Breeze 位列第二十八。这两个数字都是真实的，都是在 2026 年 10 月 30 日读取的，而它们之间的距离，正是这场比较的全部论点。其中一款模型，是在一个普通的声学模型外面，包了一层强大的音色库。另一款，则是在全类别中最便宜的按字符计价的价格外面，包了一个强大的声学模型。

这不是把抛硬币伪装成分析。这两款产品瞄准的是不同的买家。AssemblyAI-TTS-1 出自一家语音识别公司，是它刚给自家"耳朵"添上一张"嘴"的托管式 API——专有技术，每百万字符 15 美元，支持六种语言，并发不限。Breeze TTS 2 则是 BreezeBlue 的 30 亿参数开放权重模型，这家初创公司只有十五个人，托管端点每百万字符 34 美元，其权重许可禁止商业自托管。两者的得分接近得颇有意思，而商业模式却几乎再不同不过了。

在其余任何内容之前先给出两个数字

Artificial Analysis 以滚动方式开展盲听测试，排行榜也会随着模型不断变动。Breeze TTS 2 于 8 月首次亮相，Elo 为 1,215，总排名第六，当时被报道为排名最高的开放权重参赛项。两个月、十余次发布之后，它的分数为 1,228，排名第十三——分数更高、排名更差，因为榜单上方挤进了更多参赛项。AssemblyAI-TTS-1 于 10 月 27 日登场，Elo 为 1,227，排名第十二；两天后，在分数完全相同的情况下，排名显示为第十四。任何人引用发布帖中的排名却不带日期，引用的都是过时事实。

• 提供商语音（原生语音）— AssemblyAI-TTS-1 1,227，第 14 名；Breeze TTS 2 1,228，第 13 名

• 受控语音（八个共享克隆语音）——AssemblyAI-TTS-1 1,108，第10名；Breeze TTS 2 1,021，第28名

• 每百万字符价格 — 15 美元对比 34 美元

• 语音 — 4,000+ 种语音库语音，外加即时克隆（可与根据文本描述设计的语音相比），另有一个包含 15,000 种语音的配套库

• 权重 — 无；仅提供 API，还是可下载但仅限研究/非商业用途

• 语言——发布时支持六种，而声称支持 50 种；模型卡标注为英语和中文

• 吞吐量——每秒 162 个字符，而约为 45

需要内化的是受控竞技场分组，因为这是本次比较中唯一保持单一变量不变的测量方式。Provider Voice 让每个模型自行选择声音，因此一个拥有 15,000 个手工设计角色的模型可以靠配音选角取胜，而非靠声学表现。Controlled Voice 则把这一因素剥离掉。当 Breeze 自己的声音被排除在外时，它损失了 207 Elo；AssemblyAI 损失了 119。当声音固定时，Breeze 根本不在讨论范围内——排在第 28 位——而 AssemblyAI 仍稳居前十。

为什么盲听平局只是海市蜃楼

提供商排行榜是模型之间的人气竞赛，每个模型都可以拿出自己最好的声音，而 Breeze 能带来很多种声音。BreezeBlue 的主打是声音设计：你用自然语言描述一个角色，模型就会合成与之匹配的音色；随后，声音指导将表达方式与身份分离，因此你可以要求“低语”或“急促”，而说话者仍能被辨认出是同一个人。它配套的 Voice Galaxy 库收录了超过 15,000 种角色声音。这种目录能在盲测偏好测试中获胜，但也正是这种目录，无法告诉你当你把一段参考音频交给任一模型并要求它用那个声音说话时会发生什么。

给两个模型都输入一段克隆语音，情况就会反转。这正是受控竞技场所做的事，也是厂商自身数据与独立数据一致的地方。Breeze 报告其克隆语音的说话人相似度为 0.67；AssemblyAI 报告为 0.64。两者都不算亮眼，而且它们之间的差距在噪声范围内。不在噪声范围内的是同一榜单上 87 点的 Elo 差距。如果你的产品需要你自己设计的独特语音，Breeze 的设计工具恰恰是真正重要的功能，而它在受控竞技场中的弱点恰恰是风险所在——该模型能够塑造它自己生成的声音，但在保持你生成的声音方面可靠性较低。

价格实际买到了什么

15 美元对 34 美元，按标价就是 2.3 倍的差距，而这一差距会因计费方式而扩大或缩小。AssemblyAI 按输入字符计费，包括空格和标点，并以统一费率包含所有音色库声音、所有支持语言、即时克隆、词级时间戳以及美国或欧盟处理，按量付费没有并发上限。Breeze 的托管端点按相同的字符口径为每百万字符 34 美元，而免费权重对商业用户来说并不能改变这一点——许可证既适用于自托管输出，也适用于权重本身。

拿一份真实脚本算一算，在正常语速下，每完成一小时音频的差距约为 1 美元：按每秒 15 个字符的标准估算，AssemblyAI 上约为 81 美分，而 Breeze 上约为 1.84 美元。对于一家每月生成 10 万小时智能体语音的公司来说，这就是 8.1 万美元与 18.4 万美元之间的差别——而且，这一差别是为你可能用不上的语音设计工具，以及你可能不被允许付诸行动的开放权重叙事所付出的代价。

许可证就是岔路口，而对 Breeze 来说，它指向了错误的方向。

开放权重通常是这样一种论据，能为这类比较画上句号：下载它，在你自己的硬件上运行，不再按字符付费。这个论据一碰到 Breeze TTS 2 的许可证就站不住脚了。推理代码采用 Apache 2.0；权重以及自托管部署产生的任何输出，都受一项研究与非商业许可证约束，该许可证还延伸到衍生模型、LoRA、合并模型和量化模型。商业自托管需要获得 BreezeBlue 的授权。实际上，托管 API 才是商业路线，这意味着开放权重标志换来的是检查、实验，以及一个你必须协商才能获得的变通出口——而不是一条更便宜的生产路径。

相比之下，AssemblyAI-TTS-1 完全不提供权重，也毫无开放性的伪装。它是一项托管服务，有公开的价目表，并提供数据驻留选项。对于要在两者之间做抉择的买家来说，问题不在于“开放还是闭源”，而在于“我是想签一份研究许可、再协商自己运行一个 3B 模型的权利，还是想要一份可以预测的按字符计费账单？”3B 这个规模确实实用——在 eager 配置下约占 7.7 GiB 显存，官方给出的最低配置是 12GB GPU，在 H100 上实时因子为 0.32，也就是说在 BreezeBlue 所测量的硬件上大约比实时快三倍。它是这一类别中最小的可信自托管方案，只不过它不是大多数公司能合法使用的自托管方案。

Elo排行榜无法衡量的东西

吞吐量正是 AssemblyAI 的优势不再只是可忽略差异的地方。Artificial Analysis 记录到 AssemblyAI-TTS-1 为每秒 162 个字符，而 Breeze TTS 2 约为每秒 45 个字符——模型将文本转换为音频的速度相差 3.6 倍。对于批处理任务，这意味着队列长度的差异。对于实时智能体，这决定了模型能否跟得上语速快的人。Breeze 对此的应对是其流式路径，据称可实现低于 40 毫秒的首音频时间；独立测量显示，p50 首字节时间约为 119 毫秒，首音频时间约为 134 毫秒，第 95 百分位约为 163 毫秒。AssemblyAI 可比的独立数据更少——仅一家实验室给出的流式延迟中位数为 159 毫秒——因此，应把两家公司的延迟说法视为彼此更接近，而不是任一厂商的主打宣传所暗示的那样。

在难处理字符串的准确率上，差距并不接近。AssemblyAI 的厂商评测显示，其在电话号码、URL、代码和药品名称上的实体准确率为 93.7%，而 Cartesia Sonic 3.6 为 82.5%，ElevenLabs Flash v2.5 为 68.0%——该表格中并没有 Breeze 的数据。Breeze 从未发布过同等指标，其模型卡也未作此声明。如果你的智能体要确认订单号、复述电子邮件地址或逐字拼出确认码，那么在 Breeze 这一侧，这是一个未被衡量的风险；而在 AssemblyAI 这一侧，这是该厂商有最充分记录的强项。

在这些场景下，Breeze 显然就是更好的工具

以上这些都不会让 Breeze 成为糟糕的模型；反而让它成为专才。如果产品是一款拥有四十个角色的游戏、一个叙事音频应用，或者是一个陪伴型产品，需要听起来像提示词中描述的特定人物，而不是从下拉菜单中选择一个声音，那么 Breeze 的设计与指导流程就是 AssemblyAI 完全不具备的能力。AssemblyAI 的 4,000 种声音是一套供你选择的库；Breeze 的声音则是由你创作的。加入内联发声事件——在脚本中写入笑声、叹息、呼吸——你得到的就是一个用于表演而非播报的工具。它声称支持 50 种语言，也远超 AssemblyAI 的六种，尽管模型卡自身的标签只涵盖英语和中文，而且更广泛的列表尚未得到任何独立验证。

反反复复被提出的反驳是：每秒 45 个字符很慢，在受控语音上 1,021 Elo 很普通，而且许可证阻断了想要开放权重的显而易见理由。Breeze TTS 2 是一个带有商业化入口的研究产物。AssemblyAI-TTS-1 是一个没有研究叙事的商业产品。请根据哪句话描述了你的问题来选择。

如果你预计两者都会需要

大多数语音智能体团队最终都会用上两家 TTS 供应商，这并不是因为他们想这样，而是因为质量、语言覆盖和价格很难同时落在同一个模型上。AssemblyAI-TTS-1 和 Breeze TTS 2 目前都不在 OrcaRouter 的目录中，所以这并不是在为其中任何一家做推销；诚实的建议是，在第一个还没出故障之前，就把第二个接进来。这正是自动故障转移存在的意义，它也是用你自己的流量而不是供应商的提示词集对两个 TTS 模型做 A/B 测试最便宜的方式——一个密钥、一条路由规则，以及你自己选择的流量分配，而不是两份合同和两次 SDK 集成。

我们将 200 多个模型统一接入同一个 API，以0% 加价，按服务商的列表价原样透传——这一点在这里很关键，因为 TTS 定价每月都在变：AssemblyAI 以 $15 入场，Cartesia 停在 $49，而它们的排行榜每隔几周就会重新洗牌。我们实际提供的 TTS 接入环节是 OpenAI 的 tts-1、tts-1-hd 和 gpt-4o-mini-tts，以及 Google 的 Gemini 3.1 Flash TTS Preview——在你判断产品真正需要的是 $15 的费率还是语音设计工具包时，它可作为第二条接入路线。

这个决定，直白地说

如果你正在构建一个高并发、以英语为主外加五种语言的智能体，用来确认数字并朗读结构化数据，并且每秒 162 字符的吞吐优势、无限并发以及可预测的价目表对你来说比拥有最动听的音色更重要，那就选 AssemblyAI-TTS-1。如果语音本身就是产品——如果你需要设计角色、指导演绎，并在整段脚本中保持稳定的表演水准——并且你能接受非商业权重许可、大约每秒 45 字符，以及在受控语音评分中处于榜单后三分之一的成绩，那就选 Breeze TTS 2。

值得记住的一点是：这两者其实并不真正构成竞争关系。在偏重音色挑选的评测榜上，它们不相上下；而在偏重声学表现的评测榜上，两者又拉开了明显差距。而在其他条件保持不变时，恰恰是在那个平局榜上显得更弱的模型赢了这项测量。对多数商业买家来说，Elo 评分那套说法还没轮到被认真考虑，价格和授权就已经把结果定了。