GPT-Live-1 對決 Breeze TTS 2：你無法交付的開放權重語音領導者

Breeze TTS 2 是 Artificial Analysis 的 Provider Voices Speech Arena 上評分最高的開放權重文字轉語音模型，持有 1,205 Elo，在超過一百個受評系統中總排名第七——領先所有公開發布權重的商業授權引擎。其權重自 2026 年 8 月 25 日起即可下載。而依這些權重隨附的授權條款，它也無法用於任何產品之中。GPT-Live-1 則在每個面向上都是完全相反的取捨：封閉、託管，自 2026 年 9 月 10 日登上 OpenAI 開發者 API 以來，語音計費為每分鐘 0.05 美元，而且是兩者之中唯一能察覺來電者打斷它的模型。

把那兩句話並排放在一起，這個比較就比大多數模型對決更快分出高下。這不是在爭論誰能合成出更好的語音。而是在爭論你買的究竟是一個聲音，還是一場對話，以及「開放」是否真的意味著你所以為的意思。

它們不是同一類事物，而這正是重點所在。

Breeze TTS 2 來自一家名為 BreezeBlue、約十五人的新創公司，是一個 30 億參數的文字轉語音模型。文字輸入，音訊輸出。它什麼都聽不到。它對一個回合應該何時結束沒有任何意見，因為它根本沒有回合的概念。透過 WebSocket 串流時，它會在你的文字還沒生成完之前就開始產生音訊，這對於讓語音代理的節奏保持緊湊確實很實用——但何時該開口的決定，是由寫出那段文字的東西所做出的。

GPT-Live-1 是一款全雙工語音轉語音模型。音訊與文字輸入；音訊與文字輸出；而模型每秒會多次決定要繼續聆聽、暫停、接過話輪，還是讓出話輪。Open​AI 自家隨發布一同公布、未在公司外部重製的 Full Duplex Bench v1.5 數據顯示，其互動性為 80.1%，相較 GPT-Realtime-2.1 的 45.4%；輪替發言延遲為 0.798 秒，對比之下為 1.41 秒。

這種不對稱並不是在貶低 Breeze TTS 2。它是一項警告，指出各自在堆疊中應該放在哪裡。如果你正在打造串接式系統——語音辨識接上語言模型，再接上合成器——Breeze TTS 2 是其中最後三分之一環節的候選者。如果你買的是 GPT-Live-1，你買的是整個迴路，同時也把輪流發言的邏輯一併交了出去。

逐維度地

• 互動模式 — GPT-Live-1：全雙工、原生插話、邊說邊聽，對比 Breeze TTS 2：串流文字轉語音，完全沒有音訊輸入

• 權重 — GPT-Live-1：封閉、僅託管，單一模型 ID 且無帶日期的快照，對比 Breeze TTS 2：自 2026 年 8 月 25 日起在 Hugging Face 上提供 30 億參數，PyTorch 推論程式碼 Apache-2.0

• 授權 — GPT-Live-1：透過 OpenAI 的 API 取得商業條款，沒什麼需要審查；相較於 Breeze TTS 2：涵蓋權重、微調、LoRA、合併、量化與自架輸出的研究與非商業授權

• 價格單位 — GPT-Live-1：每語音分鐘 $0.05，按秒計費，推理後端另行計量；對比 Breeze TTS 2：在代管端點上每百萬字元 $34，於最高階公開方案降至 $28

• 品質佐證 — GPT-Live-1：在 Artificial Analysis 語音對語音指數上達到 70.3%，於十四個受評模型中並列第六；相較之下，Breeze TTS 2 在 Provider Voices 競技場獲得 1,205 Elo，整體排名第七，並在開放權重模型中位居第一（資料來源：Artificial Analysis）

• 語言 — GPT-Live-1：發布報導一致指出，在主要語言之外的流暢度不均，相較於 Breeze TTS 2：廠商聲稱支援 50 種語言，而模型卡標示為英文與中文

• 語音控制 — GPT-Live-1：十二種 API 語音，語氣與語速由提示詞操控，完全不做複製；對比 Breeze TTS 2：參考音訊複製、免參考語音設計、語音指導，以及內嵌人聲事件

• 吞吐量 — GPT-Live-1：以並行工作階段計量，第 1 級上限為 25，第 5 級上限為 500，且沒有免費層級；對比 Breeze TTS 2：依 Artificial Analysis 的測量，約每秒 45 個字元，這比數家商業競爭對手慢，對長篇內容工作有影響

許可證比排行榜還更賣力。

BreezeBlue 自家的模型卡對此異常直白，這點值得肯定該公司。推理程式碼採用 Apache-2.0 授權。權重以及你透過自行託管這些權重所生成的任何輸出，僅供研究用途；若要商業部署，則需要付費的託管訂閱或書面授權。這項限制明確延伸至衍生模型、LoRAs、合併模型與量化版本——這堵住了人們通常會鑽的漏洞。

所以「開放權重領導者」這種說法，需要一個標題很少會帶上的限定條件。Breeze TTS 2 的開放，在於你可以下載它、檢視它、對它做基準測試，並在自己的硬體上執行以進行評估。但它並不是那種能讓新創公司不必付錢給 BreezeBlue、也不必買法律審查，就能據以打造產品的開放。人們講到開放權重時所指的三件事當中，有兩件——可驗證性和成本——你得到了。第三件——自由推出產品——你沒有。

這和像 GPT-Live-1 這樣的模型有真正差別：在那裡，授權問題不是「我可以嗎」，而是「多少錢」。兩者最終都會變成一張帳單。只有其中一個會先以律師的意見收場。

這兩個價格單位無法互相比較，因此以下是計算。

$0.05 每分鐘和 $34 每百萬字元，看起來像是活在不同的宇宙裡，因為它們確實如此。若要比較兩者，你得先換算。語音速度大約是每分鐘 150 個單字，而英語在把空格算進去後，平均每個單字約 5.5 個字元，所以一分鐘的口語輸出大約是 800 到 900 個字元。以 Breeze TTS 2 每百萬字元 $34 的價格來算，那大約是每分鐘 3 美分的合成成本——單就原始語音而言，比 GPT-Live-1 的 5 美分便宜。

這個比較緊接著就站不住腳了，因為 GPT-Live-1 的五分錢裡包含了聆聽這回事。它同時也在轉錄來電者的話、判斷對話輪次何時結束，並處理插話——這些工作，串接式架構得從別的地方買來：一個語音辨識模型、一個輪次偵測模型，以及一個語言模型來產生 Breeze TTS 2 要念出的文字。把這些算進去，串接式架構那三分錢的語音合成，就墊在一張通常比端到端模型的帳單還大的帳單底下。

誠實的總結是，較便宜的語音是 Breeze TTS 2，較便宜的對話是 GPT-Live-1，而這兩種說法之間的差異，正是語音代理實際成本的全貌。

他們實際上會碰面的地方

如今正在打造電話代理、卻不願綁定單一供應商端到端堆疊的團隊，拼出來的正是這樣一串架構：嘴巴用 Breeze TTS 2 或同級引擎，耳朵用另一套東西，思考則交給一個經路由的語言模型。三者之中最後一項是最常變動的一環——品質在那裡進步得最快、成本在那裡變動得最大，而本季勝出的模型，到了下一季往往不再是贏家。

那一層是正常的 API 呼叫，也是這套技術堆疊中唯一值得保持可攜的部分。大致上來自十一家上游供應商的 190 個模型，以供應商定價、零加成的方式，置於單一 OrcaRouter 金鑰之後，因此替換語音代理背後的推理模型只是設定變更，而非整合專案；自動容錯移轉也能避免逾時的後端導致通話中斷。GPT-Live-1 的 Live Sessions 端點和 Breeze TTS 2 的託管 API 都無法透過這種方式觸及——本次比較中的語音層級位於路由層的觸及範圍之外，這一點值得說清楚，而不是暗示並非如此。

該選哪一個

如果對話本身就是產品，而你能接受託管、封閉的前端，就選 GPT-Live-1。訂位專線、第一線支援，任何來電者插話打斷客服人員是常態而非例外的情況。你買的是插話處理能力，而且是以每分鐘費率購買，這個費率保持可預測，而背後的推理則是你調校的部分。

如果你需要一個可以檢查的語音、如果你正在打造一款產品而語音合成只是眾多元件之一，或者你需要 GPT-Live-1 完全沒有提供的複製與語音設計功能，那就選擇 Breeze TTS 2。心裡要先有數：這些權重僅供研究用途；50 種語言的宣稱是廠商說法，而模型卡卻只標註了兩種語言；延遲數據是 BreezeBlue 自己在預熱過的快速路徑上測得的，並非獨立稽核的結果。

把這件事當成品質競賽的直覺，是錯誤的直覺。Breeze TTS 2 在它所屬的競爭盤面上已接近頂端，而 GPT-Live-1 完全是在另一個盤面上競爭。真正會讓你付出金錢代價的決策，是位於兩者之下的那個決策：由哪個模型負責思考，以及你是否能在一個下午之內改變心意。