Машинный перевод · Оригинал на английском
Higgs TTS 3
Эта страница Soniqo описывает Higgs TTS 3 из локальной реализации speech-swift / speech-core. Ссылки на Hugging Face находятся ниже после заметок по интеграции.
Сначала внутренняя страница
Карточки и меню документации сначала ведут сюда; ссылки на исходную модель и бандлы остаются на этой странице.
Кратко
| Модель | Higgs TTS 3 |
|---|---|
| Роль | Разговорный TTS и клонирование голоса с встроенными тегами эмоций, стиля и SFX |
| Backend | MLX bf16 backbone с кодеком float32 |
| Вывод | 24 кГц моноволна, 25 кадров в секунду |
| Языки | 100+ языков |
| Лицензия | Boson Higgs TTS 3 Лицензия Research и Non-Commercial |
| Статус | Готово через диаризацию speak --engine higgs и продукт Swift HiggsTTS |
| Источник | ИИ Boson AI higgs-tts-3-4b |
| Swift-продукт | HiggsTTS |
| CLI / время выполнения | speech speak --engine higgs |
Использование
Фрагмент ниже соответствует текущему API или команде из speech-swift.
# 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
Ссылки модели
Заметки реализации
- RTF 0.78 на M5 Pro для клонирования и обычного синтеза: выборка остается на GPU, а задержка маскируется на устройстве, а asyncEval перекрывает декодирование с конечным состоянием машины состояний кодов.
- Ворота клонирования: лексическое совпадение 1.00 на английском и CER 0.000 на китайском при круговороте ASR; языковая модель и кодек валидированы на соответствие исходным реализациям в обоих направлениях.
- Тег управления — это обычные токены внутри целевого текста: <|emotion:...|>, <|style:whispering|>, <|sfx:laughter|>, <|prosody:pause|> и подобные.
- Кодирование референса длительностью 12 с стоит около 0,6 с один раз, а коды можно переиспользовать при генерации; опустите --voice-sample для синтеза без референса в стандартном голосе.
- CLI по умолчанию использует температуру 0.8, так как 1.0 нестабильна на отдельных предложениях; ожидайте около 8,6 ГБ пиковой RSS для 4B-бэкенда.