BreezeBlue、音声合成モデル Breeze-TTS-2 を公開──Artificial Analysisでオープンモデル首位を獲得
プロプライエタリ水準の自然言語による音声指示（Voice Design / Direction）と40ms未満の超低遅延ストリーミングを単一モデルで実現した。
リリース: 2026-08-25 · 読了 3 分記事の要約
1. 核心（What）
- BreezeBlueは2026年8月25日にオープンウェイトのテキスト読み上げ（TTS）モデル「Breeze-TTS-2」のモデルウェイトとPyTorch推論コードを公開した。
- テキスト中のインラインイベント（英語の (laugh)、中国語の [笑] など）により、音声の途中で感情表現や笑い声を動的に挿入できる。
- リファレンス音声なしで自然言語の記述から声を生成する「Voice Design」や、声のトーンを制御する「Voice Direction」をサポートする。
- 単一のモデルウェイトで英語と中国語の高品質な音声生成を同時に処理できるバイリンガル機能を備える。
2. 影響（Why）
- オープンウェイト最高峰の制御性: API経由でブラックボックス化されていた高度な音声デザイン機能や感情制御を、自前のGPUインフラ上で直接コントロールできるようになる。
- リアルタイム応答の実現: 40ms未満のTTFAと0.32のRTFにより、遅延が許されない対話型音声エージェントの実装ハードルが大きく下がる。
3. 根拠・詳細（How）
- 推論環境とハードウェア要件: NVIDIA H100（sm90）などを対象としたDockerイメージビルドを提供し、通常推論時は约7.7 GiB、fast-all有効時は约14.4 GiBのVRAMを消費する。
- APIおよびCLIインターフェース: PyTorchランタイムをベースとした単一コンプレックスのストリーミングAPI（v1/audio/speechエンドポイント）を備え、モノラル24 kHzのPCMストリームを出力する。
4. 展望・課題（Next）
- 商用ライセンスの適用範囲拡大: 現行モデルウェイトは研究・非商用限定のため、商業利用を目指す場合はRESONIA, INC.への個別問い合わせが必要となる。