Breeze TTS 2

audio_tokenizer/LICENSE · Apache-2.0 · Qwen/Qwen3-TTS-Tokenizer-12Hz

Apple M5 Pro × 48 GiB · TTFA / RTF

2026-10-30 · en · 8bit=3.20 s · bf16=3.20 s · seed=42 · CFG=4 · firstChunkFrames=3 · chunkFrames=25 · MLX cache=2 GiB · warm=3

MLX	TTFA p50	RTF	RSS (GiB)	Nejvyšší fyzikální stopa (GiB)
8bit	178 ms	0.535	3.92	7.23
bf16	272 ms	0.868	6.06	9.22

WAV=45 · distinct=11 · 8bit PCM SHA256=baseline · unit=1933 · skipped=42 · E2E=15 · Qwen3-ASR-0.6B-MLX-4bit

BF16 Nyní opatření 0.868 RTF v krátké větě (základní: 1.258) a 0.853 n vá 9.20 s odstavec (základní hodnota: 1.280). Jeden počáteční rámec dává první PCM v 138 ms. 11 odlišné konečné vlnové formy mají nulovou normalizovanou WER/CER v nezávislém ASR; 8-bit default- chunk výstup je byte- identický s výchozím. BF16 zaokrouhlení může změnit nasazený audio. Set SPEECH_SWIFT_BREEZE_GEMV=0 před načtením pro porovnání původní projekční cesty.

Pro nižší spuštění přehrávání použijte jeden počáteční rámec, dva následující-up rámce, a 1 GiB MLX cache rozpočtu. 9.04 s 8-bit odstavec dosáhne odhadované CLI prebuffer na 190 ms, bez dalšího pufrování potřebné zaznamenaných příchozích chunk. To vylučuje vyvolání volání zpět a output- zařízení latency.

2026-10-30 · 8bit · 9.04 s · firstChunkFrames=1 · chunkFrames=2 · MLX cache=1 GiB · PCM=103 ms · buffer=190 ms · RTF=0.761 · peak=6.10 GiB

speech speak "The quick brown fox jumps over the lazy dog." --engine breeze \
  --instruct "A clear, calm English narrator." --first-chunk-frames 1 \
  --chunk-frames 2 --breeze-cache-limit-mib 1024 --stream -o fast-start.wav

TTFA vylučuje nahrávání modelů a přehrávání reproduktorů. Výsledky jsou závislé na hardwaru, textu a nastavení. Sdílená pojistná uzávěrka modelu je opakovaně použitelná na menší verzi MLX paměti 2 GiB a na jedné čtvrtině fyzické paměti, ctění přísnějších rozpočtů aplikací. --breeze-cache-limit-mib 0 zakáže opětovné použití cachingu. Živé modely tensorů nejsou omezeny.

Angličtina / čínština TTS s hlasovým designem, referenčním klonováním a směrem, a streamovaný zvuk (MLX BF16 / 8-bit, 24 kHz; výzkum / non-komerční licence).

BreezeTTS · 24,000 Hz · 16 × 2,048 · 80 ms · MLX BF16 / 8-bit

Použití

speech speak "The quick brown fox jumps over the lazy dog." --engine breeze \
  --instruct "A clear, calm English narrator." --stream -o design.wav

speech speak "The weather is beautiful today." --engine breeze \
  --voice-sample reference.wav --breeze-reference-text "Exact transcript." \
  --breeze-seed 42 -o clone.wav

speech speak "We need to discuss what happened." --engine breeze \
  --voice-sample reference.wav --breeze-reference-text "Exact transcript." \
  --instruct "Speak slowly, with a serious tone." --stream -o directed.wav

Swift API

import BreezeTTS

let model = try await BreezeTTSModel.fromPretrained()
let samples = try await model.generate(
    text: "The quick brown fox jumps over the lazy dog.",
    instruction: "A clear, calm English narrator.")

try await model.generateStreaming(text: "Hello, world!", instruction: "A warm voice.") { chunk in
    print(chunk.sampleRate, chunk.samples.count, chunk.isFinal)
}

Možnosti

--breeze-model-id: aufklarer/Breeze-TTS-2-MLX-8bit
--breeze-bundle-dir
--breeze-cache-limit-mib: Volitelný proces - široký opakovaně použitelný rozpočet na cache MLX v MiB; 0 zakáže caching.
--breeze-reference-text
--breeze-temperature: 0.9
--breeze-top-k: 50
--breeze-top-p: 1
--breeze-cfg-scale: 4
--breeze-max-frames: 750
--breeze-seed: 42
--first-chunk-frames: 3
--chunk-frames: 25

Licence

Odvozené od Breeze TTS 2 by Breeze Blue a licencované pouze pro výzkum a nekomerční použití.

Breeze Blue Research and Non-Commercial License · Breeze TTS 2 MLX 8-bit · Breeze TTS 2 MLX BF16

Zdroj a přeměna

speech-swift / BreezeTTS · export _ break _ mlx.py · WER / CER / RSS / TTFA / RTF