Konekäännös · Englanninkielinen alkuperäinen

Breeze TTS 2

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

Apple M5 Pro · 48 GiB · TTFA / RTF / RSS

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)	Huippufyysinen jalanjälki (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 Nyt toimenpiteet 0.868 RTF lyhyen virkkeen osalta (lähtökohta: 1.258) ja 0.853 marraskuuta 2009 9.20 s kohta (lähtökohta: 1.280) Yksi alkuperäinen kehys antaa ensimmäisen PCM at 138 Kaikki 11 erilliset lopulliset aaltomuodot ovat nolla normalisoituneet WER/CER Riippumattomana ASR; 8-bittinen oletussyötön tulostus on tavu-identtinen lähtötasolle. BF16 Pyöristys voi muuttaa istutettua ääntä. SPEECH_SWIFT_BREEZE_GEMV=0 ennen lastausta vertaamaan alkuperäistä projektiopolkua.

Alempaa toistoa käynnistettäessä käytetään yhtä alkuperäistä kehystä, kahta seurantakehystä ja 1 GiB MLX välimuistibudjettia. 9.04 s 8-bittinen kappale saavuttaa arvioidun CLI-esipufferin 190 ms:n kohdalla ilman ylimääräistä puskurointia kirjattujen palanneiden saapuessa. Tämä ei koske soittoa ja tulostusviiveen latenssia.

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 sulkee pois mallin latauksen ja kaiuttimen toiston. Tulokset riippuvat laitteistosta, tekstistä ja asetuksista. Jaetun mallin käyttöohjeet MLX välimuisti 2 GiB:n pienemmällä ja yhden neljäsosan fyysisestä muistista, jolloin budjetit ovat tiukemmat. --breeze-cache-limit-mib voi laskea tätä prosessinlaajuista kattoa; 0 poistaa uudelleenkäytettävistä välimuistista. Elävien mallien tensorit eivät ole rajoittuneet.

Englanti/Kiina TTS äänisuunnittelulla, vertailukloonauksella ja -ohjauksella ja streamatulla audiolla (MLX BF16/8-bittinen, 24 kHz; tutkimus/ei-kaupallinen lisenssi).

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

Käyttö

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)
}

Valinnat

--breeze-model-id: aufklarer/Breeze-TTS-2-MLX-8bit
--breeze-bundle-dir
--breeze-cache-limit-mib: Valinnainen prosessin kokoinen uudelleenkäytettävä MLX välimuistibudjetti MiB:ssä; 0 poistaa välimuistin käytöstä.
--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

Lisenssi

Breeze Blue on vetänyt Breeze TTS:ltä 2 ja saanut luvan tutkimukseen ja ei-kaupalliseen käyttöön.

Breeze Blue Research ja ei-kaupallinen lisenssi · Breeze TTS 2 MLX 8- bitti · Breeze TTS 2 MLX BF16

Lähde ja muuntaminen

speech-swift / Breezetts · export_breeze_mlx.py · WER / CER / RSS / TTFA / RTF