AssemblyAI-TTS-1 與 Breeze TTS 2：Elo 僅差 1 分，實際差距卻達 87 分

將 AssemblyAI-TTS-1與Breeze TTS 2放到 Artificial Analysis 的 Provider Voice 排行榜上，兩者難以區分：1,227 對 1,228，只差一個 Elo 分，在階梯上只差一個名次。把它們放到 Controlled Voice 排行榜上——在那裡每個模型都使用相同的八個克隆語音——差距便擴大到 87 分，1,108 對 1,021，AssemblyAI 排名第十，Breeze 排名第二十八。這兩組數字都是真實的，且都是在 2026 年 10 月 30 日讀取的，而它們之間的差距正是這篇比較的全部論點。其中一款模型是將強大的語音目錄包在普通的聲學模型外。另一款則是將強大的聲學模型包在該類別中最便宜的每字元價格外。

以下內容並非把拋硬幣包裝成分析。這兩項產品鎖定的是不同的買家。AssemblyAI-TTS-1 是一家語音辨識公司推出的託管 API，這家公司剛替自己的耳朵添上了一張嘴——專有技術、每百萬字元 15 美元、六種語言、無限並行處理。Breeze TTS 2 則是 BreezeBlue 推出的 30 億參數開放權重模型；BreezeBlue 是一家 15 人的新創公司，其託管端點價格為每百萬字元 34 美元，而權重授權條款禁止商業用途自行託管。兩者的評分接近到值得玩味，但它們的商業模式幾乎再不同不過了。

在其餘任何內容之前的兩個數字

Artificial Analysis 以滾動方式進行盲聽測試，榜單會隨著模型更迭而變動。Breeze TTS 2 於 8 月首次登場，得分 1,215 Elo，總排名第六，當時被報導為開放權重項目中的第一名。兩個月和十幾次發布之後，它的分數是 1,228，排名第十三——分數更高、排名更差，因為它上方擠進了更多對手。AssemblyAI-TTS-1 於 10 月 27 日登場，得分 1,227，排名第十二；兩天後以完全相同的分數，排名顯示為第十四。任何人在引用發布貼文中的排名卻未附上日期，就是在引用過時的事實。

• 供應商語音（原生語音）— AssemblyAI-TTS-1 1,227，第 14 名；Breeze TTS 2 1,228，第 13 名

• 受控語音（八個共享的克隆語音）— AssemblyAI-TTS-1 1,108，第 10 名；Breeze TTS 2 1,021，第 28 名

• 每百萬字元價格 — $15 對比 $34

• 語音 — 4,000 多種內建語音，加上即時複製功能，對比依文字描述所設計的語音，另附 15,000 種語音的配套資料庫

• 權重 — 無；僅提供 API，對比可下載但僅限研究／非商業用途

• 語言 — 推出時六種，相對於宣稱的 50 種；模型卡標註英文與中文

• 吞吐量 — 每秒 162 個字元，對比約 45

最需要內化的是受控競技場分組，因為這是本次比較中唯一固定單一變數的測量方式。供應商語音讓每個模型自行挑選語音，因此一個擁有 15,000 個手工設計角色語音的模型，可能靠配音陣容而非聲學表現勝出。受控語音則把這一點剝除。當 Breeze 自己的語音被排除在外時，它的 Elo 下降 207；AssemblyAI 下降 119。當語音固定後，Breeze 根本不在討論範圍內——排第 28——而 AssemblyAI 仍在前十名。

為何「盲聽」的平手結果只是海市蜃樓

供應商排行榜就是一場模型之間的人氣競賽，每個模型都能拿出自己最擅長的音色，而 Breeze 帶來的音色還不少。BreezeBlue 的賣點是語音設計：你用自然語言描述一個角色，模型便合成出相符的音色，接著語音導控會把表達方式與身分區隔開來，因此你可以要求「低聲細語」或「急促說話」，而說話者仍可辨識為同一個人。它搭配的 Voice Galaxy 語音庫收錄超過 15,000 種角色語音。這種型錄能在盲測偏好測試中勝出，但這種型錄也完全無法告訴你：當你把參考音訊片段交給任一模型，並要求它以那個聲音說話時，會發生什麼事。

把同一個克隆聲音交給這兩個模型，情況就反轉了。這正是受控競技場的作用，也正是廠商自家數據與獨立數據一致的地方。Breeze 回報其克隆聲音的說話者相似度為 0.67；AssemblyAI 回報為 0.64。兩者都不算亮眼，而且它們之間的差異落在雜訊範圍內。不在雜訊範圍內的，是同一排行榜上 87 分的 Elo 差距。如果你的產品需要你自己設計的獨特聲音，Breeze 的設計工具正是真正重要的功能，而它在受控競技場上的弱點正是風險所在——這個模型能塑造它自己製作的聲音，但在維持你製作的聲音上較不可靠。

價格實際上買到的是什麼

$15 對上 $34，以牌價計算是 2.3 倍的差距，而且這個差距會視你的計費方式而擴大或縮小。AssemblyAI 按輸入字元計費，包含空格與標點符號，並以單一費率一併提供所有音庫語音、所有支援語言、即時克隆、詞級時間戳記，以及美國或歐盟境內處理，且隨用隨付方案沒有併發上限。Breeze 的託管端點則是每百萬字元 $34，採用相同的字元計算基準；而對商業使用者而言，免費權重並不會改變這一點——授權同時及於權重本身與自行託管的輸出。

把帳算在一段真實腳本上，以正常語速計算，差距大約是每完成一小時音訊一美元：採用標準的每秒 15 字元估算，AssemblyAI 約為 81 美分，Breeze 則約為 1.84 美元。對一家每月產生十萬小時代理語音的企業而言，這就是 81,000 美元與 184,000 美元之間的差別——而且這筆差價，是你為可能用不到的語音設計工具、以及一套你也許不被允許付諸行動的開放權重說法所付出的代價。

授權條款是那條岔路，而它為 Breeze 指錯了方向。

開放權重通常是這類比較的終結論據：下載它、在自己的硬體上跑、不必再按字元付費。這套說法一碰到 Breeze TTS 2 的授權就站不住腳了。推論程式碼是 Apache 2.0；權重以及自架部署所產生的任何輸出，都落在研究與非商業授權之下，而且該授權涵蓋衍生作品、LoRA、合併與量化。商業自架須取得 BreezeBlue 授權。實務上，託管 API 才是商業途徑，也就是說，開放權重這個標章買到的是檢視、實驗，以及一道得靠談判才能打開的逃生門——而不是更便宜的生產路徑。

將它與 AssemblyAI-TTS-1 相比，後者完全不提供權重，也沒有任何開放性的假象。它是一項託管服務，有公開的價目表，也有資料駐留地的選擇。對於要在兩者之間做決定的買家而言，問題不是「開放還是封閉」，而是「我是想簽一份研究授權，再為了自己能跑一個 3B 模型的權利去談判，還是想要一張可以預估的逐字元帳單？」3B 這個規模確實實用——在 eager 配置下約需 7.7 GiB 的 VRAM，標示的最低規格是 12GB GPU，在 H100 上的即時因子為 0.32，因此在 BreezeBlue 實測的硬體上大約比即時快三倍。它是這個類別中最小而可信的自架方案。只是它不是大多數公司能合法使用的自架方案。

Elo 排行榜並不衡量的事

在吞吐量方面，AssemblyAI 的優勢不再只是可忽略的捨入誤差。Artificial Analysis 記錄到 AssemblyAI-TTS-1 每秒可處理 162 個字元，而 Breeze TTS 2 約為 45 個——模型將文字轉為音訊的速度相差 3.6 倍。對批次工作而言，這是佇列長度的差異。對即時代理而言，這代表一個模型能否跟上說話很快的人。Breeze 對此的解答是其串流路徑，號稱首個音訊時間低於 40 毫秒；獨立測量則顯示 p50 首位元組時間接近 119 毫秒、首個音訊時間接近 134 毫秒，第 95 百分位約 163 毫秒。AssemblyAI 可比的獨立數據較為單薄——僅一家實驗室測得 159 毫秒的串流延遲中位數——因此，兩者的延遲說法其實比各自廠商標題數字所暗示的更接近。

在硬字串準確率方面，差距並不接近。AssemblyAI 的廠商評測顯示，其在電話號碼、URL、代碼和藥品名稱上的實體準確率為 93.7%，相較之下 Cartesia Sonic 3.6 為 82.5%，ElevenLabs Flash v2.5 為 68.0%——該表中沒有 Breeze 的數據。Breeze 從未公布同等數據，其模型卡也未聲稱具備這樣的數據。如果您的代理程式會確認訂單編號、回讀電子郵件地址或拼出確認代碼，那麼這在 Breeze 方面是未經衡量的風險，而在 AssemblyAI 方面則是該廠商有最完整記載的優勢。

在這些情況下，Breeze 就是更好的工具

上述種種都不會讓 Breeze 成為糟糕的模型，反而讓它成為專門型模型。如果產品是一款有四十個角色的遊戲、一款敘事音訊應用，或是一個需要聽起來像提示詞中描述的特定人物、而非從下拉選單挑選聲音的伴侶，那麼 Breeze 的設計與指導流程便是 AssemblyAI 完全不具備的能力。AssemblyAI 的 4,000 種聲音是你可從中挑選的語音庫；Breeze 的語音則是由你創作。加入內嵌的人聲事件——把笑聲、嘆息、呼吸寫進腳本——你得到的便是表演工具，而非播報工具。其 50 種語言的宣稱也遠超 AssemblyAI 的六種，不過模型卡自身的標籤只到英文和中文，且沒有人獨立驗證過更廣泛的清單。

反駁論點總是一再浮現：每秒 45 個字元很慢、在受控語音上 1,021 Elo 很普通，而授權條款擋住了想要開放權重的顯而易見理由。Breeze TTS 2 是帶有商業化入門途徑的研究產物。AssemblyAI-TTS-1 是沒有研究故事的商業產品。請依上述哪句話描述你的問題來選擇。

如果您預期會需要兩者

大多數語音代理團隊最後都會採用兩家 TTS 供應商，不是因為他們想這麼做，而是因為品質、語言涵蓋範圍和價格鮮少能同時落在同一個模型上。AssemblyAI-TTS-1 和 Breeze TTS 2 目前都不在 OrcaRouter 的目錄中，所以這不是在替其中任何一家宣傳；誠實的建議是，在第一家發生故障之前，就先接入第二家。這正是自動容錯移轉存在的理由，也是用你自己的流量，而不是用供應商的提示集，對兩個 TTS 模型做 A/B 測試最便宜的方式——只要一組金鑰、一條路由規則，以及你選擇的流量分配，而不是兩份合約和兩套 SDK 整合。

我們透過單一 API 路由超過 200 個模型，並以0% 加成提供服務，將供應商牌價原樣透傳；這在這裡很重要，因為 TTS 定價每個月都在變動：AssemblyAI 以 $15 進場，Cartesia 維持在 $49，而將它們排名的排行榜每隔幾週就會重新洗牌。我們實際提供的 TTS 路線是 OpenAI 的 tts-1、tts-1-hd 和 gpt-4o-mini-tts，以及 Google 的 Gemini 3.1 Flash TTS Preview——可在你決定產品真正需要的是 $15 的費率還是語音設計工具包時，作為第二條路線使用。

這個決定，直白地說

如果你要打造一個高流量、以英文加五種語言為主、會確認數字並朗讀結構化資料的代理，就選 AssemblyAI-TTS-1；前提是每秒 162 字元的吞吐量優勢、無限並行，以及可預測的費率表，對你而言比擁有最動聽的聲音更重要。如果聲音本身就是產品——如果你需要設計角色、指導演繹，並在整份腳本中維持表演水準——而且你能接受非商業權重授權、大約每秒 45 字元，以及落在排行榜後三分之一的控制語音評分，就選 Breeze TTS 2。

值得帶走的一點是：這兩者其實算不上真正的對手。在獎勵「施放」的榜單上，兩者平分秋色；在獎勵「聲學」的榜單上，則明顯分出高下。而那個在平手局面下看似較弱的模型，正是在其他條件不變的測量中勝出的那一個。至於價格與授權，對大多數商業買家而言，往往在 Elo 的論點還沒來得及被認真聽取之前，就已經拍板定案了。