介绍 Breeze TTS 2

实时语音智能，让每一个角色鲜活起来。

2026年8月7日8 分钟阅读

范式转变

从内容生产到交互体验

第一波生成式 AI 改变了内容生产。文本、图像、视频和语音都可以按需生成，一个 prompt 就能把想法变成内容。但这些内容大多仍是一次性生成、随后被消费的成品。下一波浪潮带来的是交互性：AI 角色、游戏、陪伴应用、互动故事和语音 agent 创造的体验实时展开，并随每个用户、每个上下文、每个瞬间而变化。

内容开始持续回应正在体验它的人。

这一范式转变让文本转语音的要求不再止于自然度。自然的语音仍是高质量声音体验的基础，而交互体验带来了三个新的要求：

多样性

让每个角色拥有独一无二的声音。

可控性

随意图与上下文的变化调整每一次演绎。

低延迟

保持交互本来的自然节奏。

这些能力结合在一起，让声音可以为角色而设计、为当下而执导、并实时呈现。

全新模型

Breeze TTS 2：为交互体验而生的全新语音模型。

Breeze TTS 2 把自然语言音色设计、面向任意音色的指令遵循，以及低延迟流式生成融合进同一个模型：设计任何音色，掌控每一次演绎，并实时呈现。

推进这些能力，也需要更好的衡量方式。TTS 评测长期以自然度为中心，音色设计、指令遵循和延迟一直缺乏系统化评估。Breeze TTS 2 将这些能力汇聚在同一个面向交互式声音体验的模型中，让创作者和开发者能更精细地控制音色如何被设计、演绎和实时交付。为了推动这些领域持续进步，我们同步开源了音色设计、指令遵循与延迟三个基准测试。接下来，让我们逐一看看定义 Breeze TTS 2 的四项能力：音色设计、指令遵循、低延迟与多语言语音。

能力 01

音色设计：为每个角色找到合适的声音

从一位主角到成千上万的 NPC，Breeze TTS 2 让每个角色都拥有自己的声音。

TTS 音色设计基准测试第一名

RankModel

Role FitVoice Diversity

Breeze TTS 2

78.02708

MiMo-V2.5-TTS

72.78202

Inworld Voice Design

64.61378

Fun-AudioGen-VD

63.82136

Eleven v3

58.88111

Qwen3-TTS-VD

58.4883

VoxCPM2

55.28509

Breeze TTS 2 在 TTS 音色设计基准测试中排名第一：角色契合度得分最高（78.02），音色多样性最高（708），文本通过率达 98.5%。其角色契合度领先第二名 5.24 分，可生成的独特音色数量比最接近的竞品多 39%。

Animation & Comics

提示词

成熟男性，体格魁梧的星际教官。低沉粗粝、共鸣强烈的低男中音，声音饱经风霜、极具力量。语气严厉果断，采用短促有力的教官式节奏；语速偏快、强度高，但在命令中保留严师般的鼓励与保护感。

文稿

抬头，挺胸，看着前方。太空不关心你累不累、怕不怕，也不管你想不想家；它只认纪律。跟紧我的节奏，新兵。只要你不掉队，我就把你练成真正的战士。

0:16

Film & TV

提示词

二十五岁左右的年轻女性前线记者。普通话清晰、专业，起初保持训练有素的冷静，随后因现场失控逐渐紧绷。语速不断加快，呼吸急促，高度紧张；从克制播报自然滑向真实恐慌与求援，避免夸张尖叫。

文稿

我是前线记者林岚，正在东区为你报道。人群刚刚冲破路障——如果有人能听见，请立刻派医疗队过来！他们越来越近了……快一点！

0:11

Games

提示词

年轻女性，空灵狡黠的林间精灵。音色轻盈偏高，带细微气声与若有若无的笑意。语速轻快，节奏像谜语和童谣，语气俏皮、神秘、略带挑衅，营造不属于人间的疏离感。

文稿

咦，你也听见那阵低语了？真聪明。想知道答案，就跟着那束紫光走吧。不过要看好自己的影子——月色一暗，它最喜欢拿主人的秘密去换糖吃。

0:19

Literature & Stage

提示词

二十五至三十岁的年轻男性舞台演员。嗓音温润、略带沙哑，情感深沉而克制。从长久疲惫与挣扎，逐步转向清醒、坚定的希望。吐字清晰，语速从容，停顿富有思考感，音高与力度层层展开，像真实的独白而非朗诵。

文稿

我走过太多漫长的黑夜，所以不会再把沉默错当成安宁。可我仍愿意相信明天——那不是遥远的幻觉，而是我们终于能够并肩迎来的黎明。

0:12

Myth & Folklore

提示词

成熟男性，草原上的老说书人。嗓音沧桑、温厚、富有共鸣，节奏如篝火旁口耳相传的故事。能在低声讲述与有力告诫之间自然转换，音高起伏生动，带一点神秘和慈爱，深沉而有灵魂。

文稿

靠近火堆些，孩子。今晚的风，正把很久以前的故事送回来。听，它掠过草尖，也掠过每一条远行的路。记住：你在选择道路的时候，道路也在塑造你。

0:22

Research & News

提示词

五十至六十岁的成熟男性解说员。自然、清晰、有分量的中低音，带一丝岁月感。语气庄重、克制、可信，像高质量纪录片或公共议题解说。语速稳中偏慢，停顿自然，强调事实、责任与长期判断，传达智慧和审慎思考。

文稿

一个国家的重建，靠的不是喧哗，也不是仓促。每一块基石，都要在深思熟虑之后稳稳落下。面对质疑，我们以纪律和耐心回应，也以坚定的责任，守住共同的未来。

0:20

Web & Periodical

提示词

年迈男性，传说中沉睡千年的宝库守护者。低沉浑厚的男低音，共鸣深、质感粗粝，仿佛声音从石壁深处传来。语速缓慢、从容，带古老贵族的傲慢与危险；威慑力强，却不咆哮，隐约透出捕猎者般的智慧。

文稿

寻宝人，管好你的手。这里的每一枚金币，都记得自己真正的主人。我可以原谅你的无知，却不会原谅你带走哪怕一枚——因为宝库，从不忘记欠下的债。

0:27

在 Voice Galaxy 中探索 15,000+ 角色声音 →

能力 02

指令遵循：为每个瞬间呈现合适的演绎

用自然语言指令和内联标记塑造情绪、意图、语速与表达方式，同时保持每个角色的辨识度。

TTS 指令遵循基准测试第一名

RankModel

指令遵循得分SPK_SIM

Breeze TTS 2

4.250.67

MiMo-v2.5-TTS

3.760.66

StepAudio 2.5 TTS

3.480.64

Qwen-Audio 3.0-TTS-Plus

3.330.65

Inworld TTS-2

3.010.71

VoxCPM2

2.490.70

Breeze TTS 2 取得最高的指令遵循得分（4.25），领先第二名 13%。结合 0.67 的 SIM 得分，这一结果表明它能在情绪、意图、语速与表达方式上遵循自然语言指令，同时让所选音色在不同演绎中保持辨识度。

Communicative Intent

提示词

Speak with an alluring, hushed intensity, using a hypnotic and persuasive rhythm to draw the listener in and convince them to acquire a rare item.

文稿

You feel the energy radiating from it, don't you? This isn't just a piece of quartz. It's a conduit. For a small offering, you can take it home and finally clear that dark cloud hanging over your future. Trust me, you need this.

REFERENCE

0:20

OUTPUT

0:13

Composition

提示词

Speaking while heavily out of breath and gasping for air, trying to reassure the listener that everything is fine.

文稿

[gasps] I'm okay... [pants] just give me a second to catch my breath. [gasps] I promise, I'm completely fine... just ran a little too fast.

REFERENCE

0:19

OUTPUT

0:15

Emotion

提示词

The speaker sounds acerbic and bitter, delivering the lines with heavy, passive-aggressive sarcasm.

文稿

Enjoy your vacation while I stay here and clean up the mess you left behind for me. Have a wonderful time.

REFERENCE

0:31

OUTPUT

0:06

Role

提示词

Speak with a gritty, swaggering, and theatrical tone, projecting an aggressive and boastful attitude of a seafaring marauder.

文稿

Drop the anchor and bring out the gold! If any of you scallywags think about crossing me, you'll be swimming with the sharks before sunset. This ocean belongs to me!

REFERENCE

0:28

OUTPUT

0:11

Variation

提示词

Start with a confident, reassuring tone. At the word 'Wait', suddenly shift to terrified, breathless alarm as if reacting to a frightening noise.

文稿

There's absolutely nothing to worry about, I've done this a hundred times before. Wait... did you hear that sound? Something's definitely not right here.

REFERENCE

0:16

OUTPUT

0:09

在 BreezeBlue Creator 中免费执导你自己的声音 →

能力 03

低延迟：以对话的速度生成语音

Breeze TTS 2 将自然度、音色设计与指令遵循融入一个为实时交互打造的低延迟模型。

TTS 延迟基准测试第一名

Breeze TTS 2 在 TTS 延迟基准测试上排名第一，在 p50 与 p95 两个分位上都拥有最快的首音频时间。稳定的低延迟让实时交互始终灵敏，保持对话本来的自然节奏。

实时流式生成 Breeze TTS 2

Realtime API 在多个对话轮次间保持同一条 WebSocket 会话：文本一边追加，模型一边生成，PCM 音频随生成实时流回。

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();

获取你的 BreezeBlue API 密钥 →

能力 04

多语言语音

以 51 种语言生成自然、富有表现力的语音，并通过口音控制适配不同地区与受众。

选择语言

Every journey finds its meaning when someone dares to take the first step.

原文: Every journey finds its meaning when someone dares to take the first step.

在 BreezeBlue Creator 中让你的剧本开口说话 →