Konekäännös · Englanninkielinen alkuperäinen

Higgs TTS 3

Tämä ensimmäinen osapuoli Soniqo sivuasiakirjat Higgs TTS 3 paikallisilta speech-swift / speech-core täytäntöönpano. Hugging Face nippu on linkitetty alla integraation jälkeen.

Sisäinen sivu ensin

Laskeutumiskortit ja dokumentit ovat nyt tässä ensin; lähdemalli ja nippulinkit ovat saatavilla tältä sivulta.

Katselu

Malli	Higgs TTS 3
Rooli	Conversational TTS ja nollashotti kloonaaminen inline-tunteilla, tyylillä ja SFX-tageilla
Taustaosa	MLX bf16 selkäranka float32 koodec
Tuotos	24 kHz mono-aaltomuoto, 25 ruutua sekunnissa
Kieli	Yli 100 kieltä
Lisenssi	Boson Higgs TTS 3 Tutkimus ja ei-kaupallinen lisenssi
Tila	Valmista puhelimitse --engine higgs ja HiggstTSTTS Swift tuote
Lähde	Boson AI higgs-tts-3-4b
Swift -tuote	`HiggsTTS`
CLI / ajoaika	`speech speak --engine higgs`

Käyttö

Alla oleva nappula peilaa virta speech-swift API tai repon paljastamaa komentoa.

# 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

Malli Linkit

Täytäntöönpano Huomioita

RTF 0,78 M5 Pro kloonatun ja tavallisen synteesin osalta: näytteenotto pysyy GPU -laitteessa olevan viiverampin päällä ja asyncEval limittyy koodin purkamiseen koodien päätelaitteen kanssa.
Kloonausportit: englantilainen lexical päällekkäisyyksiä 1.00 ja mandariini CER 0.000 ASR kierroksia; kielimalli ja koodekki ovat pariteettivalidoituja alkupään implementointeihin molempiin suuntiin.
Hallintamerkit ovat tavallisia rahakkeita kohdetekstin sisällä: <...
12 sekunnin viitekustannusten koodaaminen noin 0,6 sekunnin välein ja koodien uudelleenkäyttö sukupolvelta toiselle; ei --voice-sample viitevapaan synteesin osalta.
CLI on oletuslämpötilassa 0,8, koska ylävirta 1,0 aaltoa yhdellä lauseella; odottaa noin 8,6 GB huippu RSS 4B runko.