Maskinoversættelse · Engelsk original

Higgs TTS 3

Denne første fest Soniqo Sidedokumenter Higgs TTS 3 fra det lokale speech-swift / speech-core gennemførelse. Hugging Face bundter er forbundet nedenfor efter integrationsnoterne.

Intern side først

Landingskort og docs menuer peger nu her først; kildemodel og bundlink er stadig tilgængelige fra denne side.

På en Glance

Model	Higgs TTS 3
Rolle	Konversationel TTS og zeroshot kloning med inline følelser, stil, og SFX tags
Backend	MLX bf16 rygrad med float32 codec
Output	24 kHz mono waveform, 25 rammer per sekund
Sprog	100 + sprog
Licens	Boson Formand Higgs TTS 3 Forskning og ikke-kommercielle licenser
Status	Klar gennem tale taler --engine higgs og HiggsTTS Swift produkt
Kilde	Boson AI higgs-tts-3-4b
Swift produkt	`HiggsTTS`
CLI / runtime	`speech speak --engine higgs`

Anvendelse

Snuppet nedenfor afspejler den aktuelle speech-swift API eller kommando udsat af repo.

# Expressive cloned speech with an inline emotion tag.
.build/release/speech speak "<|emotion:elation|> We did it — the demo works!" \
  --engine higgs \
  --voice-sample reference.wav \
  --higgs-ref-text "Text spoken in the reference clip." \
  -o higgs.wav

Model Links

Gennemførelsesnoter

RTF 0.78 på en M5 Pro til klonede og almindelig syntese: prøvetagning forbliver på GPU med forsinkelse rampe maskeret on- enhed, og asyncEval overlapper dekodning med end- of- koder state maskine.
Kloning porte: Engelsk leksical overlap 1.00 og Mandarin CER 0.000 på ASR rundture; sprogmodellen og codec er party- valideret mod opstrøms implementeringer i begge retninger.
Kontrolmærker er almindelige tokens inde i målteksten: & lt; Tél 124; emotions:... -- 124; & gt;, & lt; - 124; stil: hvisker 124; - & gt;; & lt; 124; sfx: latter; 124, & gt; & lt, 124; prosody: pause 124; og venner.
Indkodning af en 12 s referenceomkostninger om 0.6 er en gang og koderne er genanvendelige på tværs af generationer; udelade --voice-sample for referencefri syntese i en stock voice.
CLI standard til temperatur 0,8 fordi opstrøms 1.0 wobbles på enkelte sætninger; forvente omkring 8,6 GB peak RSS for 4B rygraden.