Tłumaczenie automatyczne · Oryginał angielski

Breeze TTS 2

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

Jabłko 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)	Maksymalny ślad fizyczny (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 teraz środki 0.868 RTF w zdaniu skróconym (punkt odniesienia: 1.258) oraz 0.853 w sprawie 9.20 s punkt (punkt odniesienia: 1.280). Jedna ramka początkowa daje pierwszy PCM w 138 Wszystkie 11 różne końcowe formy fali zerowe znormalizowane WER/CER w sposób niezależny ASR; 8-bit default-chunk wyjście jest byte- identyczne z bazowym. BF16 Zaokrąglenie może zmienić zalążek audio. SPEECH_SWIFT_BREEZE_GEMV=0 przed załadowaniem, aby porównać oryginalną ścieżkę projekcji.

Dla niższego startu odtwarzania, użyj jednej ramki początkowej, dwóch kolejnych ramek i 1 GiB MLX bufor. Paragraf 9.04 s 8- bit osiąga szacunkowy prebufor CLI w 190 ms, bez dodatkowego buforowania wymaganego przez rejestrowane przyloty czunk. Wyklucza to renderowanie zwrotne i opóźnienie urządzenia.

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 wyklucza ładowanie modelu i odtwarzanie głośników. Wyniki zależą od sprzętu, tekstu i ustawień. Wspólne klapy polityki modelu wielokrotnego wykorzystania pamięci podręcznej MLX w mniejszej części 2 GiB i jedną czwartą pamięci fizycznej, honorując bardziej rygorystyczne budżety aplikacji. --breeze-cache-limit-mib może obniżyć ten szeroki sufit procesowy; 0 wyłącza obudowy wielokrotnego użytku.

Angielski / chiński TTS z designem głosu, klonowaniem referencyjnym i kierunkiem oraz strumieniowym audio (MLX BF16 / 8-bit, 24 kHz; badania / licencja niekomercyjna).

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

Zastosowanie

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)
}

Opcje

--breeze-model-id: aufklarer/Breeze-TTS-2-MLX-8bit
--breeze-bundle-dir
--breeze-cache-limit-mib: Opcjonalny budżet pamięci podręcznej MLX w MiB o szerokim zastosowaniu procesowym; 0 wyłącza buforowanie.
--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

Licencja

Pochodzi z Breeze TTS ze 2 przez Breeze Blue i posiada licencję wyłącznie na badania i zastosowania niekomercyjne.

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

Źródło i przekształcenie

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