Traducere automată · Originalul în engleză

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)	Amprentă fizică maximă (GiB)
8 biți	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 acum măsuri 0.868 RTF privind teza scurtă (baza de referință: 1.258) și 0.853 privind 9.20 s punctul (de referință: 1.280) Un cadru inițial oferă primul PCM la 138 Ms. Toate 11 forme de undă finale distincte au normalizat zero WER/CER în mod independent ASR; 8-puterea implicita este octet-identica la baza. BF16 Rotunjirea poate schimba audio însămânțat. Set SPEECH_SWIFT_BREEZE_GEMV=0 înainte de încărcare, pentru a compara traiectoria de proiecție originală.

Pentru pornirea de redare mai mică, utilizaţi un cadru iniţial, două cadre de follow-up, şi un 1 GiB MLX cache buget. 9.04 s 8-biţi paragraful ajunge prebuffer CLI estimate la 190 ms, fără tamponare suplimentară necesară de sosiri în bucăți înregistrate. Aceasta exclude redă apel înapoi şi latenţă de ieşire-dispozitiv.

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 exclude încărcarea modelelor și redarea difuzorului. Rezultatele depind de hardware, text și setările. Capacurile de politică comune reutilizabile MLX cache la mai mică de 2 GiB și un sfert de memorie fizică, onorând bugetele de aplicare mai stricte. --breeze-cache-limit-mib poate reduce acest plafon la nivel proces--la nivelul; 0 dezactivează caching reutilizabil. Tensorii de model viu nu sunt limitate.

Engleză/Chineză TTS cu design vocal, clonare de referință și direcție și audio transmis (MLX BF16/8-bit, 24 kHz; licență de cercetare/necomercială).

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

Utilizare

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)
}

Opțiuni

--breeze-model-id: aufklarer/Breeze-TTS-2-MLX-8bit
--breeze-bundle-dir
--breeze-cache-limit-mib: opțional proces-la nivel reutilizabil MLX buget cache în MiB; 0 dezactivează 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

Licență

Derived from Breeze TTS 2 by Breeze Blue and licensed for research and non-comercial use only.

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

Sursă și conversie

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