Breeze TTS 2

Breeze TTS 2 是什么

Breeze TTS 2 是 BreezeBlue 团队推出的新一代语音合成（TTS）模型，定位于面向交互媒体的实时旗舰语音模型。它打破了传统 TTS”只能念预设音色”的限制：用户可以用自然语言从零描述并构建专属音色，也可以通过一句话指令精准调控语速、口音与情绪细节，让声音表现更具生命力。2026 年 8 月 16 日正式发布并同步上线托管 API，8 月 25 日模型权重与 PyTorch 推理代码在 Hugging Face 开源（3B 参数规模）。在 Artificial Analysis 的真人盲测榜单 Speech Arena 上，Breeze TTS 2 以 1215 的 Elo 分登顶开源权重模型榜首，领先此前的开源第一 Fish Audio S2 Pro 约 90 分，在全站约 100 个受评系统（含闭源）中总排名第六。

BreezeBlue 是一家约 15 人的初创公司，创始人杨斌曾是国内头部 AI 实验室的技术联创，公司获得由元璟资本与红点中国领投的 600 万美元种子轮融资。一个问世仅两周的模型就坐上开源 TTS 榜首位置，且由真人盲听打分而非厂商自测背书，含金量可观。

Breeze TTS 2 的主要功能

• Voice Clone 声音克隆：提供一段干净的参考音频与对应文字稿，模型即可把音色、节奏与情绪完整复刻出来，无需依赖预设音色库。
• Voice Design 音色设计：不需要任何参考音频，直接用一句话描述想要的声音——气质、年龄、性格、语气，模型即可即时生成独一无二的专属声线，这在开源 TTS 中相当少见。
• Voice Direction 声音指导：克隆完声音还能继续”导演”——用自然语言调整语气、情绪、语速与表达方式（如”慢一点、严肃一点”），无需重录参考音频，且保持音色身份一致。
• 人声合成：英文文本中直接写 (laugh)、(sigh)、(cough)，中文写 [笑]、[叹气]、[咳嗽]、[清嗓子]，模型会把笑声叹气等非语言声音直接合成进语音流，省去后期贴音效的麻烦。
• 毫秒级实时交互：官方称在 H100 上暖机后首字节音频延迟低至 40ms 级、实时率约 0.32（约 3.1 倍实时速度），流式传输响应极快，适合 AI Agent 与实时对话场景。
• 中英双语能力：开源权重版本以中英文为核心，其音频编码器基于 Qwen3-TTS 的 tokenizer（Apache 2.0 协议），中文表现有成熟基础；跨语言场景下仍能保持声音的自然度与角色辨识度。

Breeze TTS 2 的技术特点

Breeze TTS 2 将大型语言模型（LLM）的泛化逻辑与指令遵循范式引入语音领域，并利用海量影视、播客及访谈数据训练，深度学习了人类对话中的逻辑停顿、情感张力与互动节奏。它采用端到端的统一架构，避免了模块拼接带来的性能损耗，从而实现角色创造、情感表演与实时生成的无缝衔接。在官方自建的评测基准中，它的 Voice Design（Role Fit 78.02 分）与 Voice Direction（4.25 分）均排名第一，分别领先第二名约 5 分与 13%，同时保持 0.67 的音色相似度，做到了”改表演、不改人”。

值得注意的是发布节奏：2026 年 8 月 7 日，团队先公开了语音设计、语音指挥与延迟三组自研评测基准；8 月 16 日发布模型并上线 API；8 月 25 日权重与推理代码开源。榜单结果在开源次日即由第三方确认，这套”先立标准、再交答卷”的打法让它的第一名更具说服力，也为整个开源 TTS 社区提供了可复用的评测工具。

如何使用 Breeze TTS 2

1. 网页端快速体验：访问 BreezeCreator 网页端，输入文本或上传参考音频即可直观体验音色克隆、音色设计与声音指导三大能力。
2. API 集成：订阅官方托管的 HTTP/WebSocket API，配合 SDK 把语音合成能力集成到应用中；付费订阅后 API 生成的输出可用于商业用途。
3. 本地部署：从 Hugging Face 下载 BreezeBlue/Breeze-TTS-2 权重与推理代码自行部署。默认推理模式约需 7.7GB 显存（建议 12GB 显卡起步）；开启全速优化后显存需求升至约 14.4GB（建议 24GB 显卡）。习惯 Qwen3-TTS 的用户几乎零学习成本，输入方式同属”参考音频+精确转录”一套逻辑。

Breeze TTS 2 的使用场景

1. 数字直播与虚拟主播：根据实时弹幕动态调整语气与情绪，让直播互动更自然流畅。
2. 沉浸式游戏：为海量 NPC 赋予个性化声音，用 Voice Direction 批量调校不同角色的说话方式，显著增强代入感。
3. 有声内容制作：帮助创作者高效完成广播剧、有声书配音，实现多角色、多情绪的精准演绎，人声标注让笑声叹气直接写进文本。
4. 智能交互系统：在 AI 客服、语音助手与伴侣机器人场景中，凭借低延迟让对话响应如真人般敏捷。它与 Prime Agent 这类 Agent 框架结合，可以快速搭建具备自然语音交互能力的智能体应用；若再接入 GLM-5.3-Flash 这类对话模型充当”大脑”，就能形成”听得懂—想得清—说得好”的完整闭环，让机器开口说话这件事从及格线迈入有感情、有个性的水准。

Breeze TTS 2 的价格版本

Breeze TTS 2 提供两种使用路径：其一是官方托管 API，定价为每百万字符 34 美元，付费订阅后生成内容可商用；其二是开源权重，源代码遵循 Apache 2.0 协议，但模型权重、衍生模型及自托管输出适用 BreezeBlue 研究与非商业许可——个人学习、研究、自用不受限，商业变现（配音接单、有声书、付费产品等）需另行获取书面授权。选择本地部署前请务必确认自己的用途符合协议条款。

Breeze TTS 2 的常见问题解答

Breeze TTS 2 与 ElevenLabs 等头部商业产品相比如何？

在 Artificial Analysis 真人盲测中，Breeze TTS 2 以 1215 Elo 登顶开源权重榜首、全站第六，与闭源第一梯队同台竞技。相比 Eleven v3 等竞品，它的优势集中在音色定制灵活度、复杂情感表达的指令控制能力与 API 响应速度上；不过第三方实测其合成速度（约每秒 45 字符）低于同榜的 Fish Audio S2 Pro（约每秒 102 字符），它赢在音质与可控性而非纯速度。

开源权重可以商用吗？

不可以直接商用。源代码是 Apache 2.0，但模型权重与自托管生成的音频适用研究与非商业许可，商用需获得书面授权，或改用官方付费 API（其输出可商用）。

本地跑 Breeze TTS 2 需要什么配置？

默认推理模式需约 7.7GB 显存，建议 12GB 以上显卡；若要开启全速优化路径，显存需求约 14.4GB，建议 24GB 显卡。官方宣传的 40ms 级延迟与 0.32 实时率基于 H100 级别硬件，普通消费级显卡上速度会有所下降。

Breeze TTS 2 官网网址

Breeze TTS 2 产品官网：https://breezeblue.ai/breeze-tts-2

Hugging Face 模型页：https://huggingface.co/BreezeBlue/Breeze-TTS-2

GitHub 推理代码仓库：https://github.com/breezeblue-ai/breeze-tts

OpenI AI时代点评

今年的开源 TTS 竞赛已经从”念稿子”卷到了”造声音、导表演”。Breeze TTS 2 把 Voice Clone、Voice Design、Voice Direction 三条控制路径做全，再加上把笑声叹气直接写进文本的人声能力，等于把”配音导演”这个职业的一部分工作交给了模型。15 人团队两周登顶开源榜首，也再次证明在小而精的垂直领域，小团队完全有机会撼动头部格局。

需要提醒的是两点理性预期：一是协议，权重与自托管输出仅限非商业用途，内容创作者商用前请先算清授权账，或直接走官方 API；二是速度与硬件，官方延迟数字基于 H100，消费级显卡用户应有合理预期。总体而言，如果你在做实时语音产品或想研究开源 TTS 的前沿控制范式，Gemini 3.5 Transcribe 这类语音转写模型负责”听清”，Breeze TTS 2 负责”说好”，一进一出的组合正好覆盖了语音交互的完整链路，值得上手一试。