Traduzione automatica · Originale inglese

Higgs TTS 3

Questa pagina Soniqo di prima parte documenta l'implementazione Higgs TTS, 3 della speech-swift / speech-core. I pacchetti Hugging Face sono collegati di seguito dopo le note di integrazione.

Pagina iniziale

Le carte di atterraggio e i menu Docs ora puntano qui prima; il modello di sorgente e i link di fascio rimangono disponibili da questa pagina.

In un solco

Modello	Higgs TTS 3
Role	Conversazionale TTS e clonazione zero-shot con emozione in linea, stile e tag SFX
Indietro	MLX bf16 backbone con float32 codec
Produzione	24 kHz mono forma d'onda, 25 cornici al secondo
Lingue	100+ lingue
Licenza	Boson Higgs TTS 3 Licenza di ricerca e non commerciale
Stato	Pronti attraverso il discorso parlano --engine higgs e il prodotto HiggsTTS Swift
Fonte	Boson AI higgs-tts-3-4b
Prodotto Swift	`HiggsTTS`
CLI / runtime	`speech speak --engine higgs`

Uso

Lo snippet seguente rispecchia l'attuale speech-swift API o comando esposto dal 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

Link di modello

Note di attuazione

RTF 0.78 su un M5 Pro per la sintesi clonata e semplice: i soggiorni di campionamento sul GPU con la rampa di ritardo mascherata su dispositivo, e le sovrapposizioni asincEval decodificano con la macchina di stato end-of-codes.
Cancelli di chiusura: sovrapposizione lessicale inglese 1.00 e Mandarin CER 0.000 su ASR roundtrips; il modello di lingua e il codec sono parity-validated contro le implementazioni a monte in entrambe le direzioni.
I tag di controllo sono token ordinari all'interno del testo di destinazione: <|emotion:...|>, <
Codificando un costo di riferimento di 12 s circa 0,6 s una volta e i codici sono riutilizzabili tra le generazioni; omit --voice-sample per la sintesi senza riferimento in una voce stock.
Il CLI predefinisce la temperatura 0,8 perché il upstream 1.0 si basa su singole frasi; si aspettano circa 8,6 GB di picco RSS per la spina dorsale 4B.