由前 MiniMax 技术合伙人杨斌创立的 BreezeBlue 正式开源了 Breeze-TTS-2。这是一个专为实时语音交互设计的开放权重文本转语音（TTS）模型，在 Artificial Analysis TTS 排行榜的开放权重类别中位居榜首，并在多项指标上超越了前沿的专有系统。它不仅支持中英双语，更将声音克隆、自然语言声音设计、情感引导与超低延迟流式生成整合于单一模型中。
- GitHub：https://github.com/breezeblue-ai/breeze-tts
- 模型：https://huggingface.co/BreezeBlue/Breeze-TTS-2
核心亮点
- 声音克隆 (Voice Cloning)：仅需一段清晰的真人录音及其对应转录文本，即可精准复刻音色、节奏、情感与风格。
- 声音设计 (Voice Design)：无需参考音频，直接通过自然语言描述（如“一个声音温暖、语气平静的年轻女生”）生成全新的独特声音。在 TTS 声音设计基准测试中，角色契合度评分高达 78.02，声音多样性达 708，均位列第一。
- 声音引导 (Voice Steering)：在克隆声音的基础上，通过自然语言指令或内联标签实时调整语调、情感、语速和表达方式，同时保持声音的可辨识性（SIM 评分 0.67）。
- 内联声音事件：支持在文本中直接插入表达性动作。英文使用圆括号
(laugh)、(sigh)；中文使用方括号[笑]、[叹气]，模型会真实演绎这些非语言声音。 - 极致低延迟与流式传输：
- 在 NVIDIA H100 上，首帧音频时间 (TTFA) 低于 40ms。
- 实时因子 (RTF) 达 0.32，生成速度约为实时的 3.1 倍。
- 支持 WebSocket 实时流式 API，文本追加即开始回传 PCM 音频流。
- GPU 高效：Eager 推理仅需约 7.7 GiB 显存，最低推荐配置为 12GB GPU。
- 多语言支持：单模型原生支持中英文，并扩展至 50 种语言，具备口音控制能力。
为什么 Breeze-TTS-2 与众不同？
传统 TTS 评估多聚焦于“自然度”，而 Breeze-TTS-2 针对实时交互体验重新定义了标准：
| 维度 | 传统 TTS | Breeze-TTS-2 |
|---|---|---|
| 声音来源 | 依赖预设库或单一克隆 | 自然语言设计 + 克隆 + 引导三位一体 |
| 表演控制 | 有限的情感标签 | 自然语言指令 + 内联事件，细粒度控制 |
| 延迟 | 秒级响应 | <40ms TTFA，RTF 0.32，对话级流畅 |
| 应用场景 | 内容创作、有声书 | 游戏 NPC、语音伴侣、实时代理、互动故事 |
BreezeBlue 还同步开源了声音设计、声音引导和延迟三大基准测试，填补了行业在交互式语音评估方面的空白，推动社区从“听起来自然”向“用起来生动”演进。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
