Wir stellen vor: Breeze TTS 2

Der Wandel

Von der Content-Produktion zu Echtzeit-Erlebnissen mit Voice AI

Die erste Welle der generativen KI hat die Content-Produktion verändert. Text, Bild, Video und Sprache entstehen heute auf Abruf – ein Prompt genügt, um aus einer Idee fertigen Content zu machen. Das meiste davon bleibt jedoch ein abgeschlossenes Artefakt: einmal erzeugt, danach konsumiert. Die nächste Welle bringt Interaktivität. Voice AI in Echtzeit treibt Charaktere, Games, Companions, interaktive Geschichten und Voice-Agents an, die fortlaufend auf jeden Nutzer, jeden Kontext und jeden Moment reagieren.

Inhalte reagieren jetzt fortlaufend auf die Menschen, die sie erleben.

Dieser Paradigmenwechsel erweitert die Erwartungen an KI-Stimmen für Text-zu-Sprache weit über Natürlichkeit hinaus. Natürlich klingende Sprache bleibt die Grundlage jedes hochwertigen Stimmerlebnisses – interaktive Erlebnisse stellen jedoch drei zusätzliche Anforderungen:

Das neue Modell

Breeze TTS 2: ein neues Modell für Sprachgenerierung, gebaut für interaktive Erlebnisse.

Breeze TTS 2 vereint Stimmdesign per natürlicher Sprache, Stimmregie für jede beliebige Stimme und Streaming-Generierung mit geringer Latenz in einem einzigen Modell. Gebaut für die nächste Generation von Voice AI in Echtzeit, macht es möglich, jede Stimme zu gestalten, jeder Performance Regie zu geben und sie in Echtzeit zum Leben zu erwecken.

Um diese Fähigkeiten voranzubringen, braucht es auch bessere Wege, sie zu messen. Die TTS-Evaluation kreiste historisch um Natürlichkeit, während Stimmdesign, Stimmregie und Latenz weit weniger systematisch untersucht wurden. Breeze TTS 2 führt diese Fähigkeiten in einem einzigen Modell für interaktive Stimmerlebnisse zusammen und gibt Creators und Entwicklern mehr Kontrolle darüber, wie Stimmen gestaltet, performt und in Echtzeit ausgeliefert werden. Damit die Fortschritte in diesen Bereichen weitergehen, veröffentlichen wir außerdem Open-Source-Benchmarks für Stimmdesign, Stimmregie und Latenz. Sehen wir uns nun die vier Fähigkeiten genauer an, die Breeze TTS 2 ausmachen: Stimmdesign, Stimmregie, geringe Latenz und mehrsprachige Sprachausgabe.

Breeze TTS 2 gibt jedem Charakter eine eigene Stimme – von der einen Hauptfigur bis zu Tausenden von NPCs. Statt sich allein auf vorgefertigte Stimmbibliotheken zu verlassen, beschreiben Creators einfach den Charakter, den sie im Kopf haben, und erzeugen unverwechselbare KI-Stimmen für Text-zu-Sprache, die besser zu Rolle, Persönlichkeit und Welt passen.

RangModell

Role FitVoice Diversity

1Breeze TTS 2

78.02708

2MiMo-V2.5-TTS

72.78202

3Inworld Voice Design

64.61378

4Fun-AudioGen-VD

63.82136

5Eleven v3

58.88111

6Qwen3-TTS-VD

58.4883

7VoxCPM2

55.28509

Breeze TTS 2 belegt den ersten Platz im Benchmark für TTS-Stimmdesign: höchster Role Fit Score (78.02), größte Voice Diversity (708) und eine Transcript Pass Rate von 98.5%. Bei Role Fit liegt es 5.24 Punkte vor dem zweitbesten Modell und erzeugt 39% mehr unterschiedliche Stimmen als der nächstplatzierte Wettbewerber.

Forme Emotion, Absicht, Tempo und Vortrag über Anweisungen in natürlicher Sprache und Inline-Tags – und halte dabei jeden Charakter wiedererkennbar. Creators und Entwickler steuern so genauer, wie eine KI-Stimme von einem Moment zum nächsten performt, ohne die Stimme selbst neu gestalten zu müssen.

RangModell

Stimmregie-ScoreSPK_SIM

1Breeze TTS 2

4.250.67

2MiMo-v2.5-TTS

3.760.66

3StepAudio 2.5 TTS

3.480.64

4Qwen-Audio 3.0-TTS-Plus

3.330.65

5Inworld TTS-2

3.010.71

6VoxCPM2

2.490.70

Breeze TTS 2 erreicht den höchsten Voice Direction Score (4.25) und liegt damit 13% vor dem zweitbesten Modell. Zusammen mit einem SIM Score von 0.67 zeigt das Ergebnis, dass es Regieanweisungen in natürlicher Sprache über Emotion, Absicht, Tempo und Vortrag hinweg umsetzt – und die gewählte Stimme dabei über verschiedene Performances hinweg wiedererkennbar bleibt.

Breeze TTS 2 vereint Natürlichkeit, Stimmdesign und Stimmregie in einem einzigen Modell mit geringer Latenz, gebaut für Anwendungen mit Voice AI in Echtzeit. Die kurze Zeit bis zum ersten Audio hält Gespräche reaktionsschnell und bewahrt den natürlichen Rhythmus interaktiver Stimmerlebnisse.

Breeze TTS 2 belegt den ersten Platz im Benchmark für TTS-Latenz und liefert sowohl bei p50 als auch bei p95 die kürzeste Zeit bis zum ersten Audio. Die durchgehend niedrige Latenz hält Interaktionen in Echtzeit reaktionsschnell und bewahrt den natürlichen Rhythmus eines Gesprächs.

Breeze TTS 2 in Echtzeit streamen

Die Realtime-API hält über alle Gesprächsrunden hinweg eine einzige WebSocket-Session offen: Text wird angehängt, sobald er eintrifft, und rohes PCM-Audio strömt zurück, während das Modell noch generiert.

import { BreezeBlueClient } from "@breeze.blue/sdk";

const client = new BreezeBlueClient();

// One WebSocket session, many conversation turns.
const connection = await client.textToSpeech.realtime.connect("voc_...", {
  modelId: "breeze-tts-2",
});

const consumer = (async () => {
  for await (const message of connection) {
    if (message.type === "audio") {
      play(message.audio); // raw PCM, streamed while the model generates
    } else if (message.type === "turn.done") {
      return;
    }
  }
})();

connection.startTurn("turn_1");
connection.appendText("Hello from Breeze TTS 2.");
connection.flush();
connection.endTurn();

await consumer;
connection.close();

Erzeuge natürliche, ausdrucksstarke KI-Stimmen für Text-zu-Sprache in 50 Sprachen – mit Akzentsteuerung, um den Vortrag an unterschiedliche Regionen und Zielgruppen anzupassen.