मशीन अनुवाद · अंग्रेज़ी मूल पाठ
Higgs TTS 3
यह Soniqo पेज स्थानीय speech-swift / speech-core implementation में Higgs TTS 3 को दस्तावेज़ करता है। Hugging Face bundle links integration notes के बाद दिए गए हैं।
पहले आंतरिक पेज
Landing cards और docs menus पहले इसी पेज पर आते हैं; source model और bundle links यहीं उपलब्ध रहते हैं।
सारांश
| मॉडल | Higgs TTS 3 |
|---|---|
| भूमिका | संवाद TTS और शून्य-उदाहरण क्लोनिंग, जिसमें एमोशन, शैली और SFX टैग शामिल हैं |
| Backend | MLX bf16 बैकबोन के साथ float32 कोडिक |
| Output | 24 kHz mono waveform, 25 frames per second |
| भाषाएँ | 100+ भाषाएँ |
| लाइसेंस | Boson Higgs TTS 3 Research and Non-Commercial License |
| स्थिति | speech speak --engine higgs कमांड और HiggsTTS Swift प्रोडक्ट के ज़रिए उपलब्ध |
| Source | Boson AI higgs-tts-3-4b |
| Swift उत्पाद | HiggsTTS |
| CLI / runtime | speech speak --engine higgs |
उपयोग
नीचे का snippet मौजूदा speech-swift API या command से मेल खाता है।
# 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
मॉडल लिंक
implementation notes
- RTF 0.78 ek M5 Pro पर, जोन और साधारण संश्लेषण दोनों के लिए: नमूनाकरण GPU पर बना रहता है और विलंबता रैम्प डिवाइस पर मास्क किया जाता है, और asyncEval decode को end-of-codes state machine के साथ ओवरलैप करता है।
- क्लोनिंग की स्वीकृति शर्तें: ASR राउंड-ट्रिप में अंग्रेज़ी के लिए शब्दगत ओवरलैप 1.00 और मंदारिन के लिए CER 0.000। भाषा मॉडल और कोडेक को दोनों दिशाओं में अपस्ट्रीम इम्प्लीमेंटेशन के साथ पैरिटी के लिए जाँचा गया है।
- कंट्रोल टैग टार्गेट टेक्स्ट के अंदर सामान्य टोकन होते हैं: <|emotion:...|>, <|style:whispering|>, <|sfx:laughter|>, <|prosody:pause|> और इसी तरह के अन्य टैग।
- एक 12 s संदर्भ को एन्कोड करने में लगभग 0.6 s लागत होती है और कोड जनरेशन के बीच पुन: उपयोग योग्य होते हैं; --voice-sample को संदर्भ-मुक्त संश्लेषण के लिए स्टॉक आवाज़ में छोड़ दें।
- CLI डिफ़ॉल्ट रूप से तापमान 0.8 पर सेट है क्योंकि upstream 1.0 एकल वाक्यों में अस्थिर हो जाता है; 4B बैकबोन के लिए लगभग 8.6 GB शिखर RSS की उम्मीद करें।