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)	अधिकतम भौतिक मेमोरी (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 का RTF छोटे वाक्य पर 0.868 (मूल: 1.258) और 9.20 सेकंड के अनुच्छेद पर 0.853 (मूल: 1.280) है। पहला खंड एक फ़्रेम रखने पर PCM 138 ms में मिलता है। अंतिम 11 अलग तरंगरूपों में स्वतंत्र ASR से सामान्यीकृत WER/CER शून्य है; डिफ़ॉल्ट खंडों का 8-बिट आउटपुट मूल से बाइट-दर-बाइट समान है। BF16 राउंडिंग समान सीड का ऑडियो बदल सकती है। मूल प्रोजेक्शन से तुलना के लिए लोड करने से पहले SPEECH_SWIFT_BREEZE_GEMV=0 सेट करें।

जल्दी प्लेबैक के लिए पहला खंड एक फ़्रेम, बाद के खंड दो फ़्रेम और MLX कैश बजट 1 GiB रखें। 9.04 सेकंड के 8-बिट अनुच्छेद में CLI प्रीबफ़र लगभग 190 ms में तैयार होता है; दर्ज आगमन समय के अनुसार अतिरिक्त बफ़र नहीं चाहिए। रेंडर कॉलबैक और आउटपुट डिवाइस की देरी इसमें शामिल नहीं है।

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 में मॉडल लोडिंग और स्पीकर प्लेबैक शामिल नहीं हैं। परिणाम हार्डवेयर, पाठ और सेटिंग पर निर्भर हैं। साझा नीति पुनः उपयोग MLX कैश को 2 GiB और भौतिक मेमोरी के चौथाई में से कम मान तक सीमित करती है और ऐप के कम बजट का सम्मान करती है। --breeze-cache-limit-mib प्रक्रिया की सीमा घटा सकता है; 0 कैश बंद करता है। सक्रिय मॉडल टेंसर सीमित नहीं होते।

अंग्रेज़ी और चीनी TTS, आवाज़ डिज़ाइन, संदर्भ आवाज़ की क्लोनिंग व निर्देशन और स्ट्रीमिंग ऑडियो (MLX BF16/8-bit, 24 kHz; केवल शोध और गैर-व्यावसायिक उपयोग).

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

उपयोग

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)
}

विकल्प

--breeze-model-id: aufklarer/Breeze-TTS-2-MLX-8bit
--breeze-bundle-dir
--breeze-cache-limit-mib: पूरे प्रोसेस के पुनः उपयोग योग्य MLX कैश की वैकल्पिक सीमा, MiB में; 0 कैशिंग बंद करता है।
--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

लाइसेंस

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

स्रोत और रूपांतरण

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