Breeze TTS 2

BreezeBlue 是一个主打实时语音的平台，Breeze TTS 2 是它 2026 年 8 月发布的旗舰语音模型。和常见的配音工具不同，它把三件事塞进同一个模型：用一段描述设计音色、用自然语言逐句指挥表演、以及足够快的流式输出。官网把自己定位成「实时语音智能」，落点在有声剧、游戏 NPC、语音 agent 这类要即时响应的场景，而不是一次性生成一段成品的配音软件。评测成绩比较硬：官方开源的 Voice Design 与 Voice Direction 两份基准上都是第一，但延迟那份不是第一。

核心能力

• 用描述设计音色：不靠样音，写一段人物设定就能生成对应嗓音。官方在自研的 Voice Design Benchmark 上给出 Role Fit 78.02、Voice Design 多样性 708 个、转写通过率 98.5%，比第二名 MiMo-V2.5-TTS 高 5.24 分，独特音色数量比最接近的竞品多 39%。对需要一整套角色声线的项目，这个多样性指标比「像不像真人」更实用。
• 用自然语言指挥表演：情绪、语速、重音、断句都能用指令改，还支持行内标签。同一份基准里它的 Voice Direction 得分 4.25，领先第二名 13%，而 SPK_SIM 0.67 说明换表演方式之后音色仍然认得出是同一个人 —— 这两个指标一起看才有意义，光有表现力但一听就换人了，角色剧没法用。
• 实时流式，一个 WebSocket 跑多轮对话：实时接口保持单条 WebSocket 会话跨多轮对话，文本边到达边追加，音频以 raw PCM 边生成边回传，不用等整段合成完。官方延迟基准里首音频时间 127.2 毫秒（p50）、159.3 毫秒（p95），这个口径是和 Speechify、Inworld、ElevenLabs 等一起测的端到端数据。
• BreezeRT 把首包压到 38 毫秒：官方单发的工程文章，思路是多阶段调度、渐进式分块、CUDA Graphs 加播放截止预测，把首包延迟从 1626 毫秒降到 38 毫秒（单张 H100、16 并发、p50），300 次请求里可能断音的次数从 14 降到 0。这是服务内部的首包耗时，跟上面端到端的首音频时间不是一回事，比较时别混。
• 51 种语言与口音控制：官方明确写支持 51 种语言，同一音色可以跨语言使用，并能调整口音适配不同地区。做多语版本时省掉重新找配音的环节，但语气习惯各语言有差异，指令最好按语种再调一遍。
• 配套的创作与交付工具：网页端有 Creator 工作台做音色设计与逐句导演，Studio 负责长内容项目（免费档可访问，付费档才有项目数上限），另有 AI Voiceover 面向成片配音。官方称音色库 Voice Galaxy 有 15,000 多个角色音色可挑。

适合谁

• 做语音 agent、AI 客服的产品团队：需要低延迟流式加可切换音色。
• 游戏与互动叙事开发者：要给大量 NPC 各配一套声线，还要能现场改情绪。
• 有声剧、广播剧制作方：同一角色跨几十集要保持音色一致，SPK_SIM 这类指标直接相关。
• 做多语版本的内容团队：一套音色配 51 种语言，比逐语种请配音快。
• 需要长内容批量生产的团队：Studio 按项目管，适合有声书、课程这类成季内容。

使用建议

• 先算清 credits 再决定档位。中文的字符权重和英文不同，同样一段话消耗的额度差不少，具体换算见下面常见问题。免费额度适合跑 demo，做整季内容要按每百万字符 30 美元估预算。另外每日免费额度要手动领，不会自动到账。
• 上架前先升级。免费档做出来的音频不能商用，用在广告、课程、上架内容里属于越界。项目一旦确定要对外发，尽早升到付费档，别等成片做完才发现要重做授权。
• 延迟自己压一遍再信数字。网络传输、解码、播放缓冲都会叠在服务端耗时之上，做对话产品按真实链路测，别直接把 127 毫秒当成用户感知。
• 音色设计一次多试几个。同一段描述多次生成会得到不同嗓音，官方也把这个当特性讲。先跑十来个版本再选，比起精修一条描述更有效。写描述时把年龄、性别气质、语速、口音、情绪基调分开写，比堆形容词管用。
• 音色槽位要提前规划。能存多少音色由套餐决定，多角色项目别等到中途才发现不够用。用真人样本克隆前必须拿到书面同意，模仿他人声线在多数司法辖区都有法律风险。
• 注意「开放权重」不等于随便用。官方措辞是 open weights，且只开放了三份评测基准的源码，模型权重本身能不能下载、以什么许可下载，要以官方仓库和授权条款为准，别把评测第一直接理解成可以自由商用。