Rime Prism 與 Breeze TTS 2：授權條款才是比較的關鍵

並排放在一起比較，你能學到最有用的東西Rime Prism與Breeze TTS 2並不是哪個聽起來更好。而是：其中一個是採 Apache-2.0 授權的儲存庫，但其模型權重僅限於研究與非商業用途；另一個則是以分鐘計費的商業服務。光是這項不對稱，在延遲、價格或語音品質還來得及投票之前，就已經決定了這場比較。Prism 於 2026 年 10 月 28 日推出，是一款託管的語音對語音模型，每分鐘通話音訊收費 0.080 美元，會先把每次回覆寫成文字，再開口說出來。Breeze TTS 2 由 BreezeBlue 於 2026 年 8 月 25 日發布，是 30 億參數的開放權重文字轉語音模型，由你自己執行，而且它是元件，而不是代理程式。

它們不是彼此的替代品。幾乎每個把它們拿來排名比較的頁面，都把它們當成同一條軸線上的兩個點，而這種框架方式錯得離譜，會讓人白白耗上數週。以下說明它們各自究竟是什麼，以及決策真正該落在何處。

一個是模型，另一個是系統

將這些描述並列對照，範疇錯誤便顯而易見。

• 它的功能 — Prism 接收來電者音訊輸入，並輸出代理語音，端到端完成，兩者之間有一個文字檢查點。Breeze TTS 2 接收文字輸入並輸出語音。就是這樣。

• 它取代了什麼——Prism 取代了一個語音辨識模型、一個語言模型和一個合成模型，以及讓它們表現得像同一段對話的黏合層。Breeze TTS 2 取代的是合成模型，而且僅限於此。

• 由誰運行 — Prism 在 Free、Flex 和 Scale 方案上運行於 Rime 的雲端；VPC 與地端部署僅在 Enterprise 方案提供。Breeze TTS 2 只在你自己的 GPU 上運行，不會用到他人的 GPU。

• 你仍需建置的部分——使用 Prism，也就是讀取檢查點的策略層。還有 Breeze TTS 2、語音辨識、輪流發言、插話處理、語言模型、協調器，以及它們之間所有的串流管線。

• 開放性 — Prism 不公開權重、不公布參數量，也不提供語言清單。Breeze TTS 2 則公開權重、推論程式碼與基準測試套件。

如果你的團隊只有兩個人，而期限是一個季度，那麼「圍繞 Breeze 打造串接式架構」不是計畫，而是一項專案。如果你的團隊已經擁有語音技術堆疊，而合成層是薄弱環節，租用 Prism 就等於為了修一個元件而丟棄可運作的基礎設施。

對大多數公司來說，起決定作用的那條授權條款

Breeze TTS 2 的原始碼採用 Apache 2.0 授權，表面上看來相當寬鬆，直到你看到模型權重為止。模型權重、衍生模型及自行託管的輸出，僅授權供研究與非商業用途使用。這不是你可以靠著稱它為原型就能規避的註腳。依任何一般解讀，正式環境的聯絡中心部署都屬於商業使用，而這項授權把風險落在執行該模型的一方——而在權重開放的情況下，那就是你。

這就是「你今天下午就能評估」的模型，與「你可以正式推出」的模型之間的差別。評估實際上免費且不受限制：下載權重、執行官方 PyTorch 推論程式碼、用你自己的腳本跑一遍、聽聽它的表現。正式推出則需要 BreezeBlue 的商業授權，而該授權條款並未公布在模型頁面上。任何比較表若只把 Breeze TTS 2 的成本列為「GPU 時間」就停在那裡，等於默默假設了一項至今無人報價的授權。

Prism 的授權問題正好相反，而且簡單得多：它是一項服務，價格公開，商業權利已包含在每分鐘費率中。免費方案、Flex、Scale、Enterprise。除非你想採用地端部署，否則無需議價。

各項每分鐘的費用是多少，並列出計算過程

Prism 的計價很簡單：Flex 方案每分鐘通話音訊 $0.080，Scale 方案為 $0.064，免費額度則在 $50 用完前為 $0。一千分鐘在電信費用之前為 $80。

Breeze TTS 2 需要一個完整實例，因為「自託管」一詞掩蓋了整體成本。BreezeBlue 公布在 H100 上的即時因子為 0.32——每秒運算約可生成 3.1 秒音訊——這是在預熱後的快速路徑上測得。Eager 推論需要約 7.7 GiB，因此 12 GB 顯示卡是下限；--fast-all 路徑需要 14.4 GiB 和 24 GB 顯示卡。

以每 GPU 小時約 2 美元的 H100 為例。一小時有 3,600 秒的算力，在 0.32 RTF 下可產生約 11,200 秒的音訊，也就是 186 分鐘。相除後：每分鐘生成語音約 0.011 美元。這比 Prism 的 Flex 費率便宜約七倍——而這正是人們引用的數字。

真正重要的不是那個數字。$0.011 並未計入使用率。客服中心不會以 100% 的 GPU 佔用率運作；它只在最繁忙時段的峰值運轉，其餘時間則閒置。在實際可達的 30% 平均使用率下，有效費率會增至約 $0.033/分鐘的三倍；而在 15% 使用率下，則約為 $0.066/分鐘——這正是 Prism 的價格，卻沒有檢查點帶來的優勢，還要承擔所有營運負擔。自架主機只有在你能讓顯卡持續忙碌時，才會勝過按分鐘計價；而大多數語音部署都做不到，因為其流量本質上就是突發性的。

延遲：40 毫秒不是語音代理

Breeze TTS 2 的主打數據，是在 H100 快速路徑上首個音訊輸出時間低於 40 毫秒。Prism 的主打數據則是 0.57 秒。單獨來看，這像是十四比一的慘敗。但這其實是兩支不同碼錶之間的比較。

Breeze 的計時從文字抵達語音合成器時開始。Prism 的計時則從來電者停止說話時開始。在串接式架構下，這兩點之間還夾著對來電者話語的語音辨識，以及一次完整的語言模型回合——而這些正是 Breeze 不負責的部分。已發表的串接式端到端計時，一旦把辨識與生成都計算在內，通常落在 800 毫秒至 1.5 秒之間；而這其中的每一毫秒，都是來電者懷疑通話是否斷線的時刻。

Prism 的 0.57 秒是廠商在 τ-Voice harness 上自行執行評估所得的廠商數據；這個數字應該拿來與其他端到端語音對語音模型比較，而不是與某個元件比較。公允的說法是：Breeze TTS 2 是這次比較中最快的語音合成器，而且領先幅度很大；而 Prism 則是其中最快的完整系統——因為它是其中唯一的完整系統。

有一個地方，原始比較確實成立。如果你本來就要建構串接式架構——因為你的語言模型能做到 Breeze 和 Prism 都做不到的事，或者因為你需要特定的推論引擎——那麼 Breeze 的 40 毫秒，相對於 Prism 光是花在合成環節上的總預算，就是貨真價實的 500 毫秒優勢。在那樣的架構下，你不是在拿 Breeze 和 Prism 相比。你是在拿 Breeze 的串接架構和 Prism 的串接架構相比，而合成環節只是這個總和中的一項。

各自真正勝出之處

Breeze TTS 2 在輸出並非對話時勝出。配音、旁白、遊戲音訊、為擁有 200 句固定台詞的產品打造的聲音——這些需要的是語音合成器，而非代理，且它們都不需要語音前的政策檢查點。Breeze 的聲音設計模式可從自然語言描述生成聲音，無需參考音訊；聲音指導可調整既有克隆聲音的語氣與節奏；而 (laugh) 與 (sigh) 這類行內標籤無需第二個模型即可增添表現力。對於這類工作，授權問題甚至可能不會出現，而每分鐘的成本效益也無關緊要，因為根本沒有按分鐘計量的機制。

當限制在於代理被允許說什麼時，Prism 就會勝出。必須經過審核的句子、必須逐字出現的揭露聲明、必須逐字拼出而不能當成一個詞說出的帳號——這些都需要文字檢查點，而 Breeze TTS 2 沒有對等機制，因為它收到的文字在它看到時早已是最終版本。你可以在串聯式流程的上游建立護欄，人們確實也這麼做，但這麼一來，你是在自己組裝的流程中守護語言模型的輸出，而這正是 Prism 所販售工作的大部分。

Breeze TTS 2 在透明度上也勝出。你可以檢視權重、離線執行、在自己的硬體上重現廠商的基準測試說法，並確切知道版本之間究竟改了什麼。Prism 只給你一組 API 和一份發布說明。對於曾被廠商在季中途悄悄更換語音而吃過虧的團隊來說，這具有實實在在的價值。

如果你保留級聯，模型層就是可路由的

Breeze TTS 2 所嵌入的串接流程仍然需要語言模型，而這正是 OrcaRouter 涵蓋的部分。Prism 由 Rime 直接販售，不在我們的目錄中；Breeze TTS 2 則是自行託管，也不在目錄中。目錄中包含的是圍繞它們的一切：一組金鑰即可使用 200 多個模型，價格為供應商牌價、0% 加成，並在供應商於通話中途服務降級時自動容錯移轉，還有用來決定哪個模型處理哪一輪對話的路由 DSL。對語音代理而言，這正是實用的形態——來電者還在說話時，用小型模型產生確認回應；查詢時用較大型模型；單一端點、單一帳單。

TTS 方面也涵蓋了：openai/tts-1-hd 與 google/gemini-3.1-flash-tts-preview 目前皆可按定價路由。它們不是 Breeze TTS 2，也不是 Prism，但它們是這條級聯的兩端，且無需第二份合約。

決策，一次完成

依序提出兩個問題，答案通常就會自然浮現。

首先：{{1}}你的代理所說的任何內容，是否需要先經過核准，才能讓人聽到？{{/1}} {{2}}如果是，Prism 是這組選項中唯一能提供該核准環節的方案，而授權費——每分鐘 0.08 美元——就是這項控制權的代價。{{/2}} {{3}}如果否，請繼續。{{/3}}

第二：你能讓 GPU 持續滿載嗎？如果你的語音合成負載接近滿載，而且你有工程團隊負責一套級聯架構，那麼 Breeze TTS 2 以每分鐘 $0.011 的算力成本，在經濟上是好上七倍的答案——前提是你正式推出前先取得商業授權。如果你無法讓這張卡持續滿載，實際成本終究會趨近 Prism，而你為了達到那裡已經承擔了整套技術堆疊。

唯一錯誤的答案，就是那些排行榜頁面給出的答案：Breeze 比較便宜，所以 Breeze 勝出。每分鐘音訊更便宜，沒錯。但你從 Breeze TTS 2 買的並不是音訊——你買的是一套合成器，然後圍繞它打造語音代理，而這筆成本，從來沒有人公佈過任何單項明細。

廠商基準測試的注意事項也適用於此。BreezeBlue 公布的數字——即時因子 0.32，以及在預熱過的 H100 快速路徑上首個音訊不到 40 毫秒——是它自家的數據，跑在一個中英雙語模型上；而「在 Artificial Analysis TTS 排行榜上於開放權重模型中排名第一」這句話是廠商的定位說法，而非分數：在即時榜單上，它目前整體大約排在第七位。Prism 在 τ-Voice 上的 56.6 同樣是廠商自行執行的。這兩個數字都沒有獨立的第三方把關，而這正是這兩者真正唯一的共同點。