Tłumaczenie automatyczne · Oryginał angielski
Higgs TTS 3
To pierwsze przyjęcie. Soniqo dokumenty stron Higgs TTS 3 od lokalnych speech-swift / speech-core wdrożenie. Hugging Face pakiety są połączone poniżej po notach integracyjnych.
Strona wewnętrzna pierwsza
Karty do lądowania i menu doków wskazują najpierw tutaj; model źródłowy i linki do pakietów pozostają dostępne na tej stronie.
At a Glance
| Wzór | Higgs TTS 3 |
|---|---|
| Rola | Konwersacyjny TTS i zeroshot klonowanie z inline emocji, stylu, i SFX tagi |
| Wstecz | MLX bf16 kręgosłup z kodekiem float32 |
| Wyjście | 24 kHz jednofazowa, 25 klatek na sekundę |
| Języki | 100 + języki |
| Licencja | Bozon Higgs TTS 3 Badania i licencja niekomercyjna |
| Status | Gotowy na przemowę --engine higgs i produkt HiggsTTS Swift |
| Źródło | Boson AI higgs-tts-3-4b |
| Produkt Swift | HiggsTTS |
| CLI / runtime | speech speak --engine higgs |
Stosowanie
Poniższy fragment jest odzwierciedleniem bieżącego speech-swift API lub polecenia zdemaskowanego przez 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.wavWzory linków
Uwagi do wdrożenia
- RTF 0.78 w sprawie M5 Pro dla sklonowanych i prostej syntezy: pobieranie próbek pozostaje na GPU z rampą opóźnienia zamaskowane na urządzeniu, i asyncEval pokrywa się dekodowanie z end-of-code maszyny stanowej.
- Bramy klonowania: Angielski leksykalny pokrywanie 1.00 i Mandarin CER 0.000 na ASR objazdowe; model językowy i kodek są parytetyczne-zwalidowane wobec implementacje początkowe w obu kierunkach.
- Znaczniki kontrolne są zwykłymi żebrami wewnątrz tekstu docelowego: & lt; 124; emocje: & gt; & lt; 125; styl: szeptanie 124; & gt;, & lt; 12; sfx: śmiech 124; i & gt; prosodia: pauza 124; oraz przyjaciele.
- Kodowanie kosztów referencyjnych 12 o 0.6 raz i kody są wielokrotnego użytku przez pokolenia; omit --voice-sample do syntezy bez referencji w głosie stockowym.
- CLI domyślne do temperatury 0.8 ponieważ górny 1.0 kołysze się na pojedynczych zdaniach; spodziewać się około 8.6 GB szczyt RSS dla kręgosłupa 4B.