Higgs TTS 3

この Soniqo ページは、ローカルの speech-swift / speech-core 実装にある Higgs TTS 3 を説明します。Hugging Face バンドルへのリンクは統合メモの後にあります。

まずサイト内ページへ

ランディングカードとドキュメントメニューは先にこのページへ向け、ソースモデルとバンドルのリンクは本ページ内に残します。

概要

モデル	Higgs TTS 3
役割	Conversational TTS and zero-shot cloning with inline emotion, style, and SFX tags
バックエンド	MLX bf16 backbone with float32 codec
出力	24 kHz mono waveform, 25 frames per second
言語	100+ languages
ライセンス	Boson Higgs TTS 3 Research and Non-Commercial License
状態	Ready through speech speak --engine higgs and the HiggsTTS Swift product
ソース	Boson AI higgs-tts-3-4b
Swift プロダクト	`HiggsTTS`
CLI / ランタイム	`speech speak --engine higgs`

使い方

以下のスニペットは、現在の speech-swift リポジトリが公開している API またはコマンドに合わせています。

# 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

モデルリンク

実装メモ

RTF 0.78 on an M5 Pro for cloned and plain synthesis alike: sampling stays on the GPU with the delay ramp masked on-device, and asyncEval overlaps decode with the end-of-codes state machine.
Cloning gates: English lexical overlap 1.00 and Mandarin CER 0.000 on ASR roundtrips; the language model and codec are parity-validated against the upstream implementations in both directions.
Control tags are ordinary tokens inside the target text: <|emotion:...|>, <|style:whispering|>, <|sfx:laughter|>, <|prosody:pause|> and friends.
Encoding a 12 s reference costs about 0.6 s once and the codes are reusable across generations; omit --voice-sample for reference-free synthesis in a stock voice.
The CLI defaults to temperature 0.8 because the upstream 1.0 wobbles on single sentences; expect about 8.6 GB peak RSS for the 4B backbone.