转折点：从内容创作到实时语音 AI 体验

第一波生成式 AI 改变的是内容创作。如今文本、图像、视频与语音都可以按需生产，一句提示词就能把想法变成内容。但其中大部分内容仍然以「成品」的形态存在：创作一次，然后被消费。下一波浪潮带来的是交互性——由实时语音 AI 驱动的角色、游戏、陪伴应用、互动故事与语音智能体，持续响应每一个用户、每一种情境和每一个时刻。

这一范式转变把用户对文本转语音的期待从「自然」向外推了一大步。听感自然仍然是一切高质量语音体验的地基，但交互式体验额外提出了三个要求：

• 多样性——给每个角色一个专属的声音。
• 可控性——随意图与情境的演进调整每一次表演。
• 低延迟——保住交互本身的自然节奏。

这三项能力合在一起，意味着一个声音可以为角色而设计、为时刻而导演、以实时的方式交付。

新模型：把三种能力装进同一个模型

Breeze TTS 2 是一个为交互式体验而生的全新语音模型：自然语言声音设计、对任意声音的声音导演、低延迟流式生成，三件事装进了同一个模型。它面向下一代实时语音 AI，让使用者可以设计任何声音、导演每一次表演，并实时把它变成声音。

推进这些能力，也需要更好的度量方式。TTS 评测历来以自然度为中心，声音设计、声音导演与延迟这三个维度长期缺乏系统性的探索。为此 BreezeBlue 同步开源了三套基准：Voice Design、Voice Direction 与 Latency。下面依次看定义 Breeze TTS 2 的四项能力：声音设计、声音导演、低延迟与多语种语音。

能力一 声音设计：给每个角色一个专属声音

从单一主角到成千上万个 NPC，Breeze TTS 2 让每个角色都有属于自己的声音。创作者不必再局限于预置音色库，而是直接描述脑海中的角色，生成与角色身份、性格和世界观更匹配的独特语音。

官方公布的声音设计榜单成绩如下：

Breeze TTS 2 在 TTS Voice Design Benchmark 上排名第一：Role Fit 78.02 为全场最高，Voice Diversity 708 同样居首，台词通过率 98.5%。与第二名相比，Role Fit 高出 5.24 分，产出的不同声音数量比最接近的对手多 39%。

官方在七个场景各给了一组「提示词加台词」示例，每个示例都配有可试听音频。以下全部原样翻译，并嵌入官方中文版试听：

动画与漫画：外星教官

提示词：男性，成熟成年人。体型庞大的外星人。低沉、沙哑、共鸣感强的男中低音。粗粝、威严、有指挥感，如同军队教官的节奏。语速快，强度高。饱经风霜，力量感十足，带严厉的导师气质。

台词：挺起胸，目视前方。太空不在乎你累不累、怕不怕、想不想家；它只奖励纪律。跟上我的口令，新兵，我总会把你锻造成冠军。（试听 0:11）

影视剧：失控的现场记者

提示词：青年女性，二十五岁上下，美式口音。职业广播记者正在陷入慌乱。吐字清晰，但已被恐慌绷紧。高张力，快节奏，几乎喘不上气。从职业的从容滑向原始的绝望。

台词：我是埃琳娜·万斯，正在东区现场直播——人群刚刚冲破警戒线——如果有人能听到，我们急需医疗队，拜托，他们越来越近了。（试听 0:08）

游戏：妖精诡术师

提示词：青年女性，空灵的诡术师。音调偏高，气声，顽皮。节奏快而韵律感强，夹着咯咯笑声。嘲弄般的唱腔谜语。戏谑，挑逗，带着非人世的气质。

台词：哦，你也听见那声低语了？聪明的小心跳。敢的话就跟上那道紫色微光——不过当心你的影子，亲爱的。薄暮时分，它最爱拿秘密做交易。（试听 0:11）

文学与舞台：南方男声

提示词：男性，二十五至三十岁出头。丝绒质感的男高音声区，带一丝轻微沙哑。深情且极富感染力，从疲惫的挣扎转向乐观的信念。吐字无可挑剔，带轻微的南方腔调，节奏从容，音域起伏宽广。

台词：我走过太多漫长的夜，不会再把寂静错认成安宁。所以当我说起明天，相信我，兄弟，我说的是一个我们终于可以一起站进去的黎明。（试听 0:11）

神话与民间故事：游牧说书人

提示词：成熟的游牧说书人。饱经风霜、共鸣感强的说话声，节奏富有韵律，音高轮廓生动。动态范围极宽，从耳语一直拉到洪亮的宣告；深情。

台词：靠近点火堆，孩子，今晚的风在讲老故事。听它怎么吹弯了草——然后记住：你走的每一条路，也都在掂量你。（试听 0:12）

研究与新闻：日语口音的长者

提示词：成熟男性，五六十岁，日语口音的英语。庄重、克制、沉稳。音色清晰，带轻微的岁月沙哑。节奏从容，停顿意味深长。传递智慧、权威与远见式的审慎。

台词：重建一个国家，靠的不是喧嚣与急躁。我们一块石头一块石头地垒，当怀疑升起时，我们用纪律、耐心与毫不动摇的职责感来回应。（试听 0:15）

网络与期刊：看守金库的巨龙

提示词：远古雄性，体型巨大。深沉、共鸣强的低音，沙哑，如来自地底。缓慢，从容，贵族气。恐怖的力量感，嘶嘶的齿音，掠食者式的狡黠。

台词：放你的小手时小心点，寻宝人；这金库里的每一枚金币都认得自己的主人，而哪怕最微小的偷窃，我也未必肯原谅。（试听 0:16）

示例末尾官方附上了 Voice Galaxy 入口：那里收录了超过 15000 个角色声音，可以直接调用。

能力二 声音导演：为每个时刻调整表演

用自然语言指令和内联标记，就能塑造情绪、意图、语速与交付方式，同时让声音保持可识别。这让创作者与开发者可以控制同一个声音在下一刻怎么演，而不必重新设计声音本身。

声音导演榜单成绩如下：

Breeze TTS 2 拿到 4.25 的最高综合分，比第二名高出 13%；SPK_SIM 为 0.67。两项合起来的含义是：它能听懂自然语言导演指令，跨情绪、意图、节奏与交付方式执行，同时让选定的声音在不同表演之间始终像同一个角色。

官方给了五组导演示例，按五个维度划分，同样全部原样翻译，并嵌入官方参考表演与模型输出的对比音频（该组官方仅提供英文版）：

意图：推销水晶的低语

提示词：用诱人而压低的强度说话，用催眠般有说服力的节奏把听众拉近，说服他们买下一件稀有物品。

台词：你感觉到它散发出的能量了，对吧？这可不是一块普通石英，它是一条导管。只要一点小小的供奉，你就能把它带回家，终于清掉悬在你未来的那片乌云。相信我，你需要它。（参考 0:20，输出 0:13）

组合：喘着气报平安

提示词：一边剧烈喘息一边说话，努力让听者相信一切安好。

台词：（喘息）我没事……（喘气）给我一秒钟缓口气。（喘息）我保证，我真的没事……就是跑得有点太快了。（参考 0:19，输出 0:15）

情绪：阴阳怪气

提示词：说话人听起来尖刻而怨愤，用浓重的消极攻击式讽刺把台词说完。

台词：祝你假期愉快，我留在这儿收拾你留下的烂摊子。玩得开心哦。（参考 0:31，输出 0:06）

角色：海盗船长

提示词：用粗粝、张扬、戏剧化的语气，演出一个海上劫掠者咄咄逼人的自负。

台词：抛锚，把金子搬出来！你们这群渣滓里要是有谁敢背叛我，日落之前就让他去和鲨鱼做伴。这片海洋属于我！（参考 0:28，输出 0:11）

变化：一句话内情绪反转

提示词：以自信、安抚的语气开始。在「等等」一词处，骤然转为惊恐的、上气不接下气的警报，像突然听到了可怕的声音。

台词：完全没什么可担心的，这种事我做过一百次了。等等……你听见那个声音了吗？这里肯定有点不对劲。（参考 0:16，输出 0:09）

五组示例对应的正是导演指令的五个抓手：说话意图、多标记组合、情绪、角色扮演，以及同一段台词内的状态变化。官方页面每个示例都同时给出参考音频与模型输出音频，可以逐条对比。

能力三 低延迟：以对话的速度开口

Breeze TTS 2 把自然度、声音设计与声音导演收进一个低延迟模型，专为实时语音 AI 应用而生。足够快的首音频时间让对话保持即时响应，保住交互式语音体验的自然节奏。

在 TTS Latency Benchmark 中，Breeze TTS 2 的首音频延迟为 p50 127.2 毫秒、p95 159.3 毫秒。这个水平让实时交互保持跟手，也保住了对话应有的自然节奏。

流式接入：一条 WebSocket 会话跑完多轮对话

Realtime API 在多轮对话之间保持同一条 WebSocket 会话：文本随到随追加，原始 PCM 音频在模型仍在生成时即流式返回。官方给出的接入示例如下：

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();

能力四 多语种语音：51 种语言与口音控制

跨 51 种语言生成自然、富有表现力的语音，并支持口音控制，把同一段台词调整到适配不同地区与受众的交付方式。原文页内提供了逐语种的试听控件——同一句「每个旅程都会在有人敢迈出第一步时找到意义」，可以被讲成 51 种语言各自的样子。

官方入口：Creator、API 与企业方案

BreezeBlue Creator 是官方的浏览器端一站式工具：设计、导演、生成都在同一块工作台里完成，可免费开始。对想快速试文中示例的读者，这是最短的路径。

开发者侧提供 Text to Speech API 与多语言 SDK，把 BreezeBlue 的语音能力直接接进产品；企业侧另有专属方案，面向需要生产级语音体验的组织。

译后记：三点核对与试听指引

其一，文中两个榜单均为 BreezeBlue 自建并开源的基准，竞品成绩取自官方博客发布时的快照，会随各厂商迭代而变化。本站此前的技术深读一篇梳理过它从 InstructTTSEval 换轨到自建基准的背景，两处口径可以互相对照。

其二，延迟数字是官方基准成绩，p50 127.2 毫秒、p95 159.3 毫秒；而部署文档里的实测口径更保守一些，TTFA p50 约 133.6 毫秒、p95 约 163.3 毫秒。两者环境不同，引用时注意区分。

其三，12 组示例的试听音频已直接嵌入对应小节：声音设计七例用的是官方中文版音频，声音导演五例保留英文的参考表演与模型输出对比，另附九段多语种演示；音频均外链官方 CDN，由 breezeblue.ai 提供。若某条加载失败，可到官方原文，或到Hugging Face 模型页自行部署体验。配合本站的入门解析与技术深读三篇连读，Breeze TTS 2 的官方口径、架构细节与上手路径就都齐了。