Breeze TTS 2

Breeze TTS 2 是 BreezeBlue 推出的开源权重语音合成模型，2026-08-25 发布了权重与 PyTorch 推理代码。它面向实时交互设计，发布时在 Artificial Analysis TTS 榜单上位列开源权重模型第一，并跑赢部分前沿闭源系统。单一模型即可自然地说中英文，也能用一句话设计音色或对克隆音色进行指挥调整。

核心功能

• 免参考音色的语音设计：用自然语言描述一段音色，无需任何参考音频即可凭空生成。
• 参考引导的音色指挥：从参考音频克隆音色后，再通过一句话调节语气、情绪、语速与表达方式。
• 带转录的语音克隆：传入参考音频及其精确转录，即可保留音色、节奏、情感与风格。
• 行内情感事件：直接在文本中加入事件，如英文的 (laugh)、(cough)、(clears throat)、(sigh)，或中文的 [笑]、[咳嗽]、[清嗓子]、[叹气]。
• 超低延迟：在 NVIDIA H100 上使用预热后的 fast path，首音频低于 40ms，RTF 为 0.32（约为实时的 3.1 倍）。
• GPU 友好：跳过预热约需 7.7 GiB 显存；12GB 显卡是最低推荐配置。

适用场景

谁应该使用这个工具？

• 实时语音产品：需要快速响应的助手或对话类应用。
• 游戏与影视配音团队：希望不请配音棚也能获得可控音色的小团队。
• 本地化团队：需要一套模型兼顾中英文输出。

解决的问题

1. 延迟扼杀对话感：低于 40ms 的首音频让轮流对话更自然。
2. 克隆过于脆弱：参考引导能在克隆后微调音色，无需重新录制。
3. 没有样本也能设计：语音设计只靠文字描述就能得到初始音色。

定价方案

优势对比

• 开源权重 TTS 榜单第一：发布时在 Artificial Analysis 上领先部分闭源系统。
• 双控制模式：免参考的语音设计 + 参考引导的音色指挥，外加经典语音克隆。
• 真正的双语：一套模型处理中英文，而非拆成两个权重。

快速开始

1. 克隆 breezeblue-ai/breeze-tts。
2. 从 BreezeBlue/Breeze-TTS-2 安装权重。
3. 使用至少 12GB 的 CUDA GPU（fast path 建议 24GB）。
4. 用一个文本提示开始，并在你的语言中加入行内情感事件。

常见问题

可以商用吗？

推理代码为 Apache 2.0，但权重、衍生模型与自托管输出仅供研究与非商业用途。发布产品前请先核对授权。

生成音色必须提供参考音频吗？

不一定。语音设计只需自然语言描述；语音指挥与克隆才需要带转录的参考音频。

支持哪些语言？

单一模型支持英文与中文。

替代方案

• Google Gemini 3.1 Flash TTS：语言覆盖更广的商用前沿 TTS。
• ElevenLabs Turbo v2.5：闭源语音克隆平台。
• Deepgram Nova 2：语音转文字，语音管道的输入侧。

使用技巧

1. 当作慢时看重延迟，选 fast path，但要预留 24GB 显存。
2. 克隆时提供参考音频的转录，能得到更干净的克隆。
3. 行内情感事件要克制，过多听起来会显得过度制作。

总结

Breeze TTS 2 是一个开源权重、低延迟、双语的语音合成模型，把前沿的音质与可控性放到你自己的 GPU 上。从 GitHub 仓库开始，先核对授权是否符合你的场景，再投入做一个实时语音体验。

Limitation: 本页不能替代官方文档，下单前再核 https://breezeblue.ai/breeze-tts-2。