Breeze TTS 2

授权提示：本项目代码遵循 Apache-2.0 协议，模型权重基于 BreezeBlue 非商业许可协议。仅供个人学习与学术研究使用，严禁用于任何形式的商业用途。

1. 核心功能与产品特点

breeze-tts 是开源语音合成模型 Breeze TTS 2 的官方 PyTorch 推理代码库。简单来说，它能够把文字转化为非常真实、自然的说话声音，同时支持中文和英文。

普通用户可以通过以下方式玩转声音：

• 文字凭空“设计”声音（Voice Design）：无需提供任何录音，只需写一段自然语言描述（例如：“一位声音清亮、语调温和的年轻女性”），系统就能直接为你创造出一个全新的独特性声音。
• 声音精准克隆（Voice Clone）：只需上传一段几秒钟的真人说话音频和对应文字，就能复刻该说话人的声音特征和发音习惯。
• 情绪与语调控制（Voice Direction）：在克隆声音的同时，还能通过文字指令指挥说话人的语气和节奏（例如：“用急促、兴奋的语调说话”）。
• 插入真人生体动作（Vocal Events）：支持在文本中直接加入动作标记（如中文里的 [笑]、[叹气]、[咳嗽]、[清嗓子]），让合成的声音拥有真实的呼吸感与情绪起伏。

2. 开发团队与应用场景

• 开发团队：由 AI 语音团队 BreezeBlue（RESONIA, INC.）开发并开源。
• 应用场景：
• 实时语音交互：如 AI 语音助手、实时翻译、智能客服、游戏 NPC 实时对白。
• 内容创作：如有声书朗读、自媒体视频配音、播客合成。

3. 底层技术与性能表现

• 底层技术：代码基于 PyTorch 框架构建，其核心音频分词器（Audio Tokenizer）使用了阿里 Qwen 团队开源的 Qwen3-TTS 组件。
• 低延迟流式输出：支持实时流式生成（RTF 达 0.32，即比实时播放快 3.1 倍）。在经过显卡预热后，从输入文字到输出第一个音频包（TTFA）的延迟可低至 40 毫秒以内（NVIDIA H100 优化状态下）。