Breeze TTS 2 是上海团队 BreezeBlue（主体为上海微风蓝科技有限公司）在 2026 年 8 月 25 日开放权重的文本转语音模型，官方 PyTorch 推理代码与权重仓库发布在 breezeblue-ai/breeze-tts，权重同步放在 HuggingFace 的 BreezeBlue/breeze-tts-2 页面。它是一个总参数约 34.7 亿（checkpoint 元数据 3,466,363,713，HuggingFace 页面按惯例标 3B）的单一模型，中英双语自然生成，在 Artificial Analysis 的 Provider Voice 表现力盲听榜上拿到 1215 Elo、位列开放权重第一；但权重许可证同时白纸黑字写着：仅供研究与非商用。代码随便改，权重不让卖，这个反差就是本篇要拆透的核心。
先划边界：本篇只做 Breeze TTS 2 的单体拆解——怎么拿（仓库明文地址 https://github.com/breezeblue-ai/breeze-tts ）、怎么跑、许可怎么避坑；F5-TTS、CosyVoice、Fish Audio 这些同场对手怎么选，见同批的开源 TTS 模型横评，两篇唯一重叠的是背景数字，角度互不覆盖。
一、榜单要读两份：别只记一个“第一”
Artificial Analysis 的 Provider Voice 榜是个盲听竞技场：听众不知道音频出自哪个模型，凭表现力投票换算成 Elo 分。2026 年 8 月底的快照里，Breeze TTS 2 拿到 1215 分，是开放权重模型的第一名，领先此前霸榜的 Fish Audio S2 Pro（1125）整整 90 分；放进包含闭源模型的全站参照，它排总榜第六（Elo 1215，快照 2026-08 底），前后紧挨着 ElevenLabs v3 对话版（1219）和 Gemini 3.1 Flash TTS（1210）。官方博客宣传的“开放权重第一”，出处就是这份表现力榜。
但同一时间还有另一份成绩单。受控音色克隆榜（Controlled Voices）把所有模型放进统一条件：8 个固定克隆音色（4 个美音、4 个英音）念同样的稿子。这个榜上 Breeze TTS 2 的开放权重名次只有第三：1002 Elo，与 Fish Audio S2 Pro 并列，落后 Mistral Voxtral TTS（1010）8 分。两份成绩单合起来看才完整：自由发挥的表现力它确实强，指定音色的克隆稳定性另算一笔。如果你的场景是“固定音色长期配稿”，别被头条数字带走。
还要加一句限定：这些分数与下文的延迟数字，全部出自 BreezeBlue 自报口径或榜单快照，暂无独立第三方复现，榜单本身也每天在动，引用时认快照日期。
顺带交代背景。BreezeBlue 团队 15 人，2025 年 6 月成立，成员来自谷歌、字节、阿里、阶跃、华为；创始人杨斌是多伦多大学博士，博士期间参与创立 Uber ATG Research，后联合创立 Waabi，再到 MiniMax 任技术合伙人。2026 年 8 月 25 日，团队官宣 600 万美元种子轮（元璟资本与红点中国联合领投），同一天开放了模型权重——模型与融资同日官宣，是典型的研究信用与商业叙事一起打的打法。
二、许可证双轨：本篇最重要的一节
Breeze TTS 2 的许可是两套规则管两样东西，混着看必然踩坑。
第一轨：代码。GitHub 仓库的 license 字段核实为 Apache-2.0，推理代码、评测脚本都可以自由使用、修改、再分发。你想读它的实现、改它的采样逻辑、把它接进自己的 pipeline，代码层面没有任何障碍。
第二轨：权重。模型权重、衍生模型以及自托管产生的输出，受 BreezeBlue Research and Non-Commercial License 约束，仅限研究与非商用场景。想商用只有两条路：找 RESONIA, INC.（BreezeBlue 的公司主体）拿书面授权，或者走官方托管平台按量付费——托管 API 定价 34 美元每百万字符，对照同榜 ElevenLabs Eleven v3 的 100 美元每百万字符，价格牌打得相当直接。
坑都埋在边界情况里，这里把最容易误判的三类挑明：第一，广告变现的免费应用也算商用——你的应用不向用户收钱，但只要挂了广告，权重许可就不允许自托管跑；第二，支撑营收业务的内部工具同样处于商用语境，公司内部给客户交付的生产环节别拿非商用权重顶；第三，大学做评测复现、写论文跑实验，属于研究场景，没有问题。另外注意，这份许可没有小企业豁免、没有收入门槛例外，不因你规模小而网开一面。
一句话总结这一节：Apache-2.0 的代码给了你“看得懂、改得动”的自由，非商用的权重决定了“能不能拿它赚钱”要另签一张纸。评测、研究、原型验证，放心拿去用；商业变现，先想清楚走授权还是走托管。
三、架构四段：34.7 亿参数怎么排
公开渠道还没有它的 arXiv 论文，技术细节主要来自仓库与开发者对 checkpoint 的实测拆解。整条生成链路分四段：
第一段，文本编码器：T5Gemma2 结构，26 层，负责把目标文本和 instruction 等条件编码成向量表示。
第二段，主干：Qwen3 结构，28 层，hidden size 2048，注意力用 GQA 设计（16 个注意力头对 8 个 KV 头）。它是帧级自回归的主引擎，每一帧预测第 0 路码本。
第三段，深度解码器：12 层，hidden size 1024，在主干隐状态与首路码本的条件下，自回归展开其余 15 路码本，凑齐 16 路残差向量量化（RVQ）。
第四段，音频 tokenizer：Mimi 结构，24 kHz 输出，帧率约 12.5 Hz——1 秒音频约等于 12.5 个 token，每 token 16 路码本。推理侧通过 qwen_tts.Qwen3TTSTokenizer 加载，官方说明该 tokenizer 基于 Qwen3-TTS（同样是 Apache-2.0）。
四段加起来，总参数约 3.48B，checkpoint 目录约 7.2 GB（含 audio_tokenizer），权重张量约 6.5 GiB。这个结构的思路不难读：主干只管粗骨架（第一路码本），细颗粒交给小得多的深度解码器逐路补齐，用两段式自回归换推理效率。
四、能力四路由：克隆、造声、指挥、副语言
模型按输入模板分四条路由，对应四类用法。
Plain TTS 是最基础的文本转语音，给文本出音频。Voice Design 是无参考造声：不给参考音频，纯自然语言描述你要的声音（年龄、口音、语速、气质），官方建议 instruction 与目标文本用同一语言，CFG 系数用 4。Voice Clone 是音色克隆：参考音频加逐字稿，最短 3 秒就能起步，社区通行建议是 3 到 10 秒干净语音；官方分析逻辑是取前 60 秒、自动保留最合适的 30 秒，而超过 30 秒的参考反而会让音色偏离原声。注意一个硬要求：ref-text 逐字稿必须与参考音频内容完全一致，连音频里的重复、口误都要原样对齐，同时参考音频要干净、不循环、低背景噪声。Voice Direction 是给克隆音“下导演指令”：在克隆音基础上追加情感、语气的自然语言指令，官方 2026 年 8 月的基准里拿到 VDS 4.25、说话人相似度 0.67，是参评模型里的最好成绩——这是厂商自建基准的口径，听听就好，别当第三方结论。顺带一提，Voice Design 的官方自建基准 Role Fit 78.02 排第一，领先第二名 5.24 分，同样属于自报口径。
副语言能力藏在标签里。英文用圆括号内联标记，比如 (laugh)、(cough)、(clears throat)、(sigh)；中文用方括号，比如 [笑]、[咳嗽]、[清嗓子]、[叹气]，模型会在对应位置生成笑声、咳嗽声。默认采样参数是 temperature 0.9、top_p 1.0、top_k 50、repetition_penalty 1.1，一般不用动。
语言支持这里必须说精确：开放权重只覆盖英文和中文，一个模型双语自然生成；“支持 50 多种语言”说的是官方托管平台的能力，自托管权重没有这个覆盖面，两件事不能混着写。
五、上手：环境、显存与真实开销
环境门槛不低。官方要求 Python 3.10 以上、Linux、CUDA，依赖锁定 torch 2.9.1、transformers 4.57.3、qwen-tts 0.1.1：
pip install torch==2.9.1 transformers==4.57.3 qwen-tts==0.1.1Docker 镜像默认按 H100（Hopper 架构，sm90）编译，A100 用户需要设置 FLASH_ATTN_CUDA_ARCHS=80 重新构建。想在 ComfyUI 里用的话，社区节点包 Saganaki22/ComfyUI-Breeze-TTS-2（Apache-2.0，截至发稿 123 星）支持 INT8 量化（5 到 7.5 GiB 显存）、最多 8 说话人对话编排，还带 Whisper 自动转写节点——省掉自己写逐字稿的步骤。
显存两档，方向别记反：eager 模式约 7.7 GiB，官方建议至少 12 GB 的卡；--fast-all 快速路径约 14.4 GiB，建议 24 GB 级别。也就是说，想要低延迟就要多喂显存，fast 档更吃资源，不是更省。国产卡和 Mac 用户可以看社区方案：有开发者实测 RTX 4060 8GB 跑 INT8，占用 4.98 GiB、峰值 7.4 GB、首块音频 0.39 秒、2 到 3 倍实时速度；Mac 阵营有社区移植的 MLX 4bit 版本，体积约 2.3 GB，16 GB 内存的 MacBook 能跑——注意这是社区非官方移植，效果没有官方背书。
延迟数字同样要认口径。开源权重的 TTFA（首包音频延迟）小于 40 毫秒，前提是 H100 上跑预热后的 fast path；RTF 0.32，约 3.1 倍实时。而官方托管平台首页宣称“25 毫秒内输出首个音频字节”——那是托管侧的成绩，跟自托管权重不是一个口径，别互相佐证。生成速度方面，Artificial Analysis 测到约 45 字符每秒，比若干竞品慢，长文本任务要有心理预期。输出是流式 24 kHz 单声道 16-bit PCM，接下游 pipeline 很直接。
六、三条路怎么选
研究者和评测者：直接拿权重。代码 Apache-2.0，评测套件（voice design、voice direction、latency 三个仓库）也全部开源，复现门槛被官方压到了最低。
要做商业产品的：自托管这条路被权重许可堵死，没有灰色地带。要么找 RESONIA, INC. 谈书面授权，要么走托管 API，34 美元每百万字符的价格对多数中等规模应用是可控成本；官方音色库加 Voice Galaxy（15,000 多个社区与工作室音色）可以省掉自建音色的功夫。
只想快速出活的：托管平台直接用，不用碰环境、显卡和许可证问题。
放在开源 TTS 阵营里定位一句话：它跟 F5-TTS 同属免对齐克隆路线，强项是表现力与副语言控制，弱项是 45 字符每秒的生成速度和 商用须授权的权重许可。值不值得上，取决于你要的是“最像人”还是“最快最便宜”——多款横着比的那篇会给你完整答案。
常见问题
Q1：Breeze TTS 2 能商用吗？ A1：分两半。代码是 Apache-2.0，随便改随便用；权重、衍生模型和自托管输出仅限研究与非商用。商用两条路：找 RESONIA, INC. 拿书面授权，或走官方托管（34 美元每百万字符）。注意广告变现的免费应用也算商用，许可无小企业豁免。
Q2：需要什么显卡？
A2：eager 模式约 7.7 GiB 显存，建议 12 GB 以上的卡；--fast-all 快速档约 14.4 GiB，建议 24 GB——快速档更费显存。社区 ComfyUI 节点包支持 INT8（5 到 7.5 GiB），有开发者实测 RTX 4060 8GB 可跑；Mac 可试社区 MLX 4bit 版（约 2.3 GB，非官方）。
Q3：怎么克隆一个声音？ A3：准备参考音频加逐字稿，逐字稿必须与音频内容完全一致（含重复与口误）。最短 3 秒起步，社区建议 3 到 10 秒干净、低噪声、不循环的语音；超过 30 秒反而偏离原声，官方会分析前 60 秒并自动保留最合适的 30 秒。
Q4：中文效果怎么样？ A4：开放权重是中英双语单一模型，中文是一等公民，副语言标签也齐——[笑]、[咳嗽]、[清嗓子]、[叹气]。榜单上 1215 Elo 是英文为主的盲听口径且为厂商自报，中文建议拿自己的文案实测，注意“50 多种语言”是托管平台能力，自托管没有。
Q5：和 ElevenLabs 差距多大？ A5：同一份快照（2026 年 8 月底）的 Provider Voice 表现力榜上，Breeze TTS 2 是 1215，ElevenLabs v3 对话版 1219，几乎同档。实际差异在形态：ElevenLabs 是闭源托管服务，Breeze 给了开放权重加托管双选项，托管价 34 美元每百万字符，约为 Eleven v3（100 美元每百万字符）的三分之一。榜单每天浮动，认快照日期。
延伸阅读
- 开源 TTS 模型横评：怎么选：本篇的姊妹篇，多款开源 TTS 放在一起打分，补齐“多款怎么选”的另一半。
- 语音克隆工具箱横评：想克隆声音但不想自己部署模型的，看这份工具级对比。
- 云端与本地语音 AI 方案对比：托管 API 还是本地推理，成本与隐私的账在这篇算。
- VoiceStudio 资源盘：语音创作工作台类的工具盘点，适合不想碰代码的使用者。
- 本地语音转文字实操 SOP：给克隆准备逐字稿、给语音数据做后处理，都绕不开本地转写这一步。