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

MLXTTFA p50RTFRSS (GiB)物理メモリ使用量のピーク (GiB)
8bit178 ms0.5353.927.23
bf16272 ms0.8686.069.22

WAV=45 · distinct=11 · 8bit PCM SHA256=baseline · unit=1933 · skipped=42 · E2E=15 · Qwen3-ASR-0.6B-MLX-4bit

BF16 の RTF は短文で 0.868（基準：1.258）、9.20 秒の段落で 0.853（基準：1.280）になりました。初回 1 フレームでは最初の PCM が 138 ms で到着します。最終 11 種の波形は独立 ASR で正規化 WER/CER がすべてゼロです。8 ビットの既定チャンク出力は基準とバイト単位で一致します。BF16 の丸めにより同じシードでも音声が変わる場合があります。読み込み前に SPEECH_SWIFT_BREEZE_GEMV=0 を設定すると元の投影経路と比較できます。

再生開始を早めるには、初回 1 フレーム、以降 2 フレーム、MLX キャッシュ予算 1 GiB を使用します。9.04 秒の 8 ビット段落では CLI のプリバッファは推定 190 ms で準備でき、記録されたチャンク到着時刻では追加バッファは不要でした。描画コールバックと出力デバイスの遅延は含みません。

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 はモデル読み込みとスピーカー再生を含みません。結果はハードウェア、テキスト、設定に依存します。共有モデルポリシーは再利用可能な MLX キャッシュを 2 GiB と物理メモリの 4 分の 1 の小さい方に制限し、アプリのより小さい予算を尊重します。--breeze-cache-limit-mib はプロセス全体の上限を下げられ、0 は再利用キャッシュを無効にします。使用中のモデルテンソルは制限しません。

英語・中国語の音声合成。声のデザイン、参照音声のクローンと演出、ストリーミングに対応（MLX BF16/8-bit、24 kHz、研究・非商用ライセンス）.

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

使い方

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)
}

オプション

ライセンス

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

ソースと変換

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