Awtomatikong salin · Orihinal sa Ingles

Higgs TTS 3

Ang unang-bahagi na ito Soniqo pahina mga dokumento Higgs TTS 3 mula sa lokal speech-swift / speech-core pagpapatupad. Hugging Face ang mga bungkos sa ibaba pagkatapos ng pinagsamang mga nota.

Panloob na Pahina Muna

Una na ngayong binabanggit dito ng mga landing card at docs menus ang tungkol dito; ang mga kawing ng source model at bround ay nananatiling makukuha mula sa pahinang ito.

Sa Isang Kaningningan

Huwaran	Higgs TTS 3
Ang Papel	Pakikipag - usap TTS at sero-shot cloning na may panloob na damdamin, istilo, at mga tag ng SFX
Likod	MLX bf16 stand na may float32 codec
Ilabas	24 kHz mono waveform, 25 frame sa bawat segundo
Wika	100+ wika
Lisensiya	Boson Higgs TTS 3 Pananaliksik at Non-Commercial License
Kalagayan	Nakahanda sa pamamagitan ng pagsasalita ang --engine higgs at ang produktong HiggsTS Swift
Pinagmumulan	Boson AI higgs-tts-3-4b
Swift produkto	`HiggsTTS`
CLI / Oras ng pagtakbo	`speech speak --engine higgs`

Gamitin

Ang snippet sa ibaba ng salamin ang kasalukuyang speech-swift API o utos na inilantad ng 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

Mga Kaugnayan sa Modelo

Mga Nota ng Pag - iisa

RTF 0.78 sa isang M5 Pro for clone at simpleng synthesis: Ang mga sampol ay nananatili sa GPU na may naantalang rampa na naka-device, at asyncEval coups decode na may dulong-of-codes na makinang estado.
Cloning gates: English lexical coup 1.00 at Mandarin CER 0.000 on ASR roundtrips; ang modelo ng wika at codec ay parity-valided laban sa mga pasalungat na pagpapatupad sa dalawang direksiyon.
Ang mga control tag ay ordinaryong mga paunawa sa loob ng tinatarget na teksto: < chiesemotion:...ifilgt; <ifyst:whisperingifyt;, < periperfx:ughterift; &t recictory;iprosody:pauseify; at mga kaibigan.
Ang pagkokodigo ng isang reperensiyang 12 ay nagkakahalaga ng mga 0.6 s nang minsan at ang mga code ay muling magagamit sa loob ng mga henerasyon; hindi kasama ang --voice-sample para sa reference-free synthesis sa isang stock voice.
Ang CLI ay may di - pagtupad sa temperatura 0.8 dahil sa ang pasalungat sa agos 1.0 ay nangangatog sa isahang pangungusap; inaasahan ang halos 8.6 GB na pinakamataas na RSS para sa 4B na gulugod.