Breeze TTS 2 は、Artificial Analysis の Provider Voice Arena リーダーボードにおいて、Quality Elo スコア 1215 でオープンウェイトのテキスト読み上げモデルの第 1 位となりました。
2026 年 8 月 26 日時点のリーダーボードのスナップショットで、Breeze TTS 2 は Artificial Analysis が評価したほかのすべてのオープンウェイト TTS モデルを上回りました。2 位の Fish Audio S2 Pro に 90 Elo ポイント、3 位の Step Audio EditX に 113 ポイントの差をつけての首位です。
これは BreezeBlue にとっても、オープンウェイトの音声 AI にとっても重要なマイルストーンです。このランキングは、ベンダーが選んだスコアや自動化された音声メトリクスではなく、ブラインドで行われた人間の聴取による選好に基づいており、Breeze TTS 2 がこの独立した TTS 評価において最も高く評価されたオープンウェイトモデルであることを示しています。
Artificial Analysis の TTS Arena とは
Artificial Analysis Text to Speech Arena は、ブラインドの 1 対 1 聴取テストを通じて音声生成モデルを比較する、独立系のベンチマークです。
各比較では、リスナーは同じテキストから生成された 2 つの音声クリップを、どのモデルが生成したかを知らされずに聴きます。より自然に聞こえるほうのクリップを選び、Artificial Analysis がそれらの選好を相対的な Quality Elo スコアに集約します。Elo スコアが高いほど、Arena 内のほかのモデルと比べて、そのモデルがリスナーに選ばれた回数が多いことを意味します。
このリーダーボードは、実際のリスナーが体感する音声品質を捉えるように設計されています。たとえば、次のような要素が含まれます。
自然さ
音質
発音
テンポ
プロソディと表現力
Provider Voice Arena では、Artificial Analysis は各モデルを、利用可能な音声の中から選ばれた代表的なセットで評価します。米国と英国のアクセントにわたって男性と女性の音声をカバーすることを目指し、モデルごとに最大 8 つの音声が使われます。そのため、スコアは厳選されたデモ 1 つの出来ではなく、各モデルに紐づく音声を使ったときの全体的な体験を反映しています。
Artificial Analysis はまた、ランキングを解釈しやすくするために、サンプル数、信頼区間、カテゴリフィルター、アクセントフィルターも公開しています。Elo は相対的な指標なので、新しい投票が集まったり、新しいモデルが Arena に加わったりすると、スコアは変動します。
Breeze TTS 2 がオープンウェイトのリーダーボードを牽引
Provider Voice Arena におけるオープンウェイトモデルの上位 5 つは次のとおりです。
| 順位 | モデル | 開発元 | Quality Elo |
|---|---|---|---|
| 1 | Breeze TTS 2 | BreezeBlue | 1215 |
| 2 | Fish Audio S2 Pro | Fish Audio | 1125 |
| 3 | Step Audio EditX (March 2026) | StepFun | 1102 |
| 4 | Voxtral TTS | Mistral | 1082 |
| 5 | Magpie-Multilingual 357M | NVIDIA | 1066 |
Breeze TTS 2 は、最も近いオープンウェイトの競合に 90 ポイントの差をつけました。Elo ベースのシステムでは、すべてのスコアがモデル群全体にわたるリスナーの選好から相対的に決まるため、この差は、リスナーがいかに一貫して Breeze TTS 2 を選んだかを示す意味のあるシグナルです。
Provider Voice Arena 全体で見ても、Breeze TTS 2 は主要なプロプライエタリモデルと並んで、TTS システム全体の中で最も高く評価されたモデルのひとつに位置づけられています。Arena のスコアは新しい投票が届くたびに継続的に更新されるため、下のリーダーボード全体の画像は、より後の時点のスナップショットを反映しています。
この第 1 位が持つ意味
私たちは、開発者がアクセスのしやすさと卓越した音声品質のどちらかを選ばなければならない状況であってはならないと考えています。オープンウェイトの音声モデルは、チーム自身のインフラ内でモデルを検証、評価、実行できる柔軟性を提供しますが、体感品質の面では、これまで最強の商用 API に後れを取ってきました。
Artificial Analysis の結果は、それとは異なる姿を示しています。ブラインド比較において、リスナーは Breeze TTS 2 をほかのオープンウェイトモデルより明確に上位に置き、主要なプロプライエタリ TTS システムと同じ最上位層に位置づけました。
そのため、このランキングは次のようなプロダクトを構築するチームにとって意味を持ちます。
会話型音声エージェント
ゲームやアニメーションのキャラクター
オーディオブックや物語コンテンツ
AI 吹き替えやローカライズのワークフロー
ポッドキャストやクリエイター向けツール
カスタマーサービス向けアプリケーション
こうしたプロダクトでは、音声は単語を正しく発音するだけでは足りません。自然に聞こえ、意図を伝え、説得力のある声のアイデンティティを保ち、やり取りの文脈に合っている必要があります。人間による選好テストが価値を持つのは、リスナーがこれらの性質を 1 つの自動化されたシグナルに還元せず、まとめて判断するからです。
声をデザインし、その演技をディレクションするために
私たちは、すべてのキャラクターにふさわしい声を、すべてのセリフにふさわしい演技を与えるために Breeze TTS 2 を作りました。高く評価された音声品質と、声を作りディレクションするための制御を組み合わせています。
[音声デザイン](/voice-design) は、参照音声を必要とせず、自然言語の説明から個性的な声を作り出します。
[音声クローン](/voice-cloning) は、参照音声とその書き起こしを使って、話者の声質、リズム、感情、スタイルを保ちます。
音声ディレクション は、参照した声の特徴を保ったまま、自然言語の指示でトーン、感情、テンポ、読み方を操ります。
ボーカルイベント は、笑い、ため息、咳、咳払いといった表現の瞬間を、台本の中に直接加えます。
リアルタイムストリーミング は、初回音声までの時間（TTFA）40 ms 未満のストリーミング音声生成に対応します。
英語と中国語の生成 に、オープンウェイト版で対応しています。
これらの能力によって、Breeze TTS 2 は単なるプリセット音声の集まりではなくなります。開発者とクリエイターは、キャラクターをデザインし、そのアイデンティティを保ち、特定のセリフをどう演じるかをディレクションすることまで、すべて同じモデルの中で行えます。
Arena の結果は、この能力セットに重要な外部からのシグナルを加えました。リスナーがモデル名を知らずに生成音声を比較したとき、Breeze TTS 2 はオープンウェイトの中で最も選ばれるモデルとなったのです。
オープンウェイト音声 AI の新しい基準
公開リーダーボードが、あらゆる台本、話者、言語、本番環境を代表することはできません。それでも、ブラインドの人間による選好は、最も重要な体験、つまり生成された声がリスナーに実際どう聞こえるかを測る、最も明快なテストのひとつです。
この結果は力強い出発点となりました。Breeze TTS 2 が達成したのは次のとおりです。
オープンウェイト TTS モデルの中で 第 1 位
Quality Elo スコア 1215
2 位のオープンウェイトモデルに対する 90 ポイントの差
私たちにとって、この結果は Breeze TTS 2 の核となる考えを裏付けるものです。オープンウェイトのモデルであっても、自然で表現力豊かな音声を届けながら、声の作成、演技、デプロイに対するより深い制御を開発者に提供できるということです。
Breeze TTS 2 は BreezeBlue Creator と BreezeBlue API から利用できます。開発者は Hugging Face の Breeze TTS 2 モデルウェイト と、GitHub の公式 PyTorch 推論コード にもアクセスできます。