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)	Empreinte physique maximale (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 atteint un RTF de 0.868 sur la phrase courte (référence : 1.258) et de 0.853 sur le paragraphe de 9.20 s (référence : 1.280). Avec une première trame, le premier PCM arrive en 138 ms. Les 11 formes d’onde finales distinctes ont un WER/CER normalisé nul en ASR indépendante ; la sortie 8 bits avec les blocs par défaut est identique octet par octet à la référence. L’arrondi BF16 peut modifier l’audio à graine identique. Définir SPEECH_SWIFT_BREEZE_GEMV=0 avant le chargement permet de comparer le chemin de projection d’origine.

Pour démarrer la lecture plus tôt, utiliser une première trame, puis deux par bloc, avec 1 GiB de cache MLX. Sur le paragraphe 8 bits de 9.04 s, le préchargement estimé de la CLI est prêt à 190 ms, sans tampon supplémentaire selon les arrivées enregistrées. Le callback de rendu et la latence du périphérique de sortie sont exclus.

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

Le TTFA exclut le chargement du modèle et la lecture sur haut-parleur. Les résultats dépendent du matériel, du texte et des réglages. La politique commune limite le cache MLX réutilisable au minimum de 2 GiB et d’un quart de la mémoire physique, en respectant les budgets applicatifs inférieurs. --breeze-cache-limit-mib peut abaisser cette limite du processus ; 0 désactive ce cache. Les tenseurs actifs ne sont pas limités.

Synthèse vocale en anglais et chinois avec création de voix, clonage et direction à partir d’un enregistrement de référence, et audio en streaming (MLX BF16/8-bit, 24 kHz ; recherche et usage non commercial).

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

Utilisation

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

API Swift

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)
}

Options

--breeze-model-id: aufklarer/Breeze-TTS-2-MLX-8bit
--breeze-bundle-dir
--breeze-cache-limit-mib: Limite facultative du cache MLX réutilisable pour tout le processus, en MiB ; 0 désactive le cache.
--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

Derived from Breeze TTS 2 by BreezeBlue and licensed for research and non-commercial use only.

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

Source et conversion

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