Presentamos Breeze TTS 2

EL CAMBIO

De la creación de contenido a las experiencias de voz con IA en tiempo real

La primera ola de IA generativa transformó la creación de contenido. Hoy se pueden producir texto, imágenes, video y voz bajo demanda: basta un prompt para convertir una idea en contenido. Aun así, casi todo ese contenido sigue siendo una pieza terminada, creada una sola vez y luego consumida. La siguiente ola trae la interactividad: la voz con IA en tiempo real impulsa personajes, juegos, acompañantes, historias interactivas y agentes de voz que responden de forma continua a cada usuario, cada contexto y cada momento.

El contenido ahora responde de forma continua a quienes lo están viviendo.

Este cambio de paradigma amplía lo que los usuarios esperan de las voces de IA de texto a voz más allá de la naturalidad. Un habla que suene natural sigue siendo la base de una experiencia de voz de calidad, y las experiencias interactivas suman tres requisitos más:

EL NUEVO MODELO

Breeze TTS 2, un nuevo modelo de voz creado para experiencias interactivas.

Breeze TTS 2 reúne en un solo modelo el diseño de voz por lenguaje natural, la dirección de voz para cualquier voz y la generación por streaming de baja latencia. Pensado para la próxima generación de voz con IA en tiempo real, permite a los usuarios diseñar cualquier voz, dirigir cada interpretación y darle vida en tiempo real.

Llevar más lejos estas capacidades exige también mejores formas de medirlas. La evaluación de TTS se ha centrado históricamente en la naturalidad, y ha dejado el diseño de voz, la dirección de voz y la latencia mucho menos explorados de forma sistemática. Breeze TTS 2 reúne estas capacidades en un único modelo creado para experiencias de voz interactivas, y le da a creadores y desarrolladores mayor control sobre cómo se diseñan, se interpretan y se entregan las voces en tiempo real. Para impulsar el avance en estas áreas, publicamos además benchmarks de código abierto de Diseño de voz, Dirección de voz y Latencia. Veamos ahora más de cerca las cuatro capacidades que definen a Breeze TTS 2: diseño de voz, dirección de voz, baja latencia y habla multilingüe.

Breeze TTS 2 le da a cada personaje una voz propia, desde un único protagonista hasta miles de NPC. En lugar de depender solo de bibliotecas de voces predefinidas, los creadores pueden describir el personaje que tienen en mente y generar voces de IA de texto a voz distintivas, más afines a cada papel, cada personalidad y cada universo.

PuestoModelo

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 ocupa el primer puesto del Benchmark de diseño de voz TTS: logra la puntuación de Role Fit más alta (78.02) y la mayor Voice Diversity (708), con una tasa de Transcript Pass del 98.5%. Le saca 5.24 puntos de ventaja en Role Fit al segundo mejor modelo y produce un 39% más de voces distintas que su competidor más cercano.

Usa instrucciones en lenguaje natural y etiquetas en línea para moldear la emoción, la intención, el ritmo y la entrega, sin que ningún personaje deje de ser reconocible. Así, creadores y desarrolladores ganan control sobre cómo actúa una voz de IA de un momento a otro, sin tener que rediseñar la voz.

PuestoModelo

Puntuación de Dirección de vozSPK_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 alcanza la Puntuación de Dirección de voz más alta (4.25) y supera al segundo mejor modelo por un 13%. Sumado a una puntuación SIM de 0.67, el resultado demuestra su capacidad de seguir indicaciones en lenguaje natural sobre emoción, intención, ritmo y entrega, manteniendo la voz elegida reconocible en interpretaciones distintas.

Breeze TTS 2 reúne naturalidad, diseño de voz y dirección de voz en un único modelo de baja latencia, creado para aplicaciones de voz con IA en tiempo real. Un tiempo hasta el primer audio muy corto mantiene ágil la conversación y preserva el ritmo natural de las experiencias de voz interactivas.

Breeze TTS 2 ocupa el primer puesto del Benchmark de latencia TTS, con el menor tiempo hasta el primer audio tanto en p50 como en p95. Su latencia baja y constante mantiene ágiles las interacciones en tiempo real y preserva el ritmo natural de la conversación.

Streaming de Breeze TTS 2 en tiempo real

La API en tiempo real mantiene abierta una única sesión WebSocket a lo largo de todos los turnos de la conversación: agrega texto a medida que llega y el audio PCM sin procesar vuelve en streaming mientras el modelo todavía está generando.

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();

Crea voces de IA de texto a voz naturales y expresivas en 50 idiomas, con control de acento para adaptar la entrega a distintas regiones y audiencias.