S2 Pro vs Higgs TTS 3:どちらの非商用 TTS モデルを選ぶ?
Fish Audio の S2 Pro と Boson の Higgs TTS 3 はどちらも 4.6B のテキスト読み上げモデルで、インラインタグと音声クローンに対応し、どちらも非商用です。ライセンスとハードウェアを比較。
結論. どちらも約 4.6B パラメータの自己回帰型テキスト読み上げモデルで、テキストに書き込むタグを受け付け、短いクリップから声をクローンでき、研究および非商用利用のみ無料です。したがってライセンスが決め手になります。Fish Audio の研究ライセンスは、自社内利用を含むあらゆる商用目的を別途書面によるライセンスが必要な対象とし、クリエイター例外はありません。Boson のライセンスには Creator Use Grant があり、Boson をクレジット表記すれば、その音声を使ったポッドキャスト、動画、オーディオブック、SNS 投稿を無料で公開・収益化できますが、ホスティング、製品、他の音声モデルの学習には依然として契約が必要です。ハードウェア面では、Fish Audio は 24 GB 以上の GPU メモリを要求し、ファイル合計は約 11 GB。Boson は最小要件を明示せず、重みは 9.31 GB の 1 ファイルです。両社とも自社スコアのみを公開しています。Fish Audio は Seed-TTS Eval のエラー率を中国語 0.54%、英語 0.99% と報告し、Boson のマクロ平均表では Higgs TTS 3 が 1.11、S2 Pro が 1.31 で、これらの主張は比較できません。選ぶ前に両方を聴き、同意のある声だけをクローンしてください。
仕様
| 仕様 | S2 Pro | Higgs TTS 3 |
|---|---|---|
| 開発元 | Fish Audio | Boson AI |
| リリース日 | 2026年3月9日 | 2026年6月4日 |
| 総パラメータ数 | 4.56B (S2 Pro) | 4.65B (Higgs TTS 3 4B) |
| アクティブパラメータ数 | すべて | すべて |
| アーキテクチャ | デンス | その他 |
| コンテキストウィンドウ | – | – |
| 入力 | テキスト, 音声 | テキスト |
| ライセンス | Fish Audio Research (非商用) | Boson Higgs Non-Commercial (非商用) |
| 最小バリエーションの必要メモリ(4ビット) | 24 GB (S2 Pro) | 11 GB (Higgs TTS 3 4B) |
性能に関する主張は開発元によるもので、独自検証は行っていません。
S2 Pro を選ぶべきケース
- [whisper in small voice] のような自由形式タグや、話者 ID による明示的な複数話者ダイアログが欲しい場合。
- 24 GB の NVIDIA GPU があり、Fish Audio の SGLang-Omni または vLLM-Omni のサービング経路を使いたい場合。
- 研究、趣味、評価用途だけに使うつもりで、何かを公開する際は “Built with Fish Audio” と表記する場合。
- 後から Fish Audio に商用ライセンスを相談する、または年商 50 万米ドル未満なら商用無料の新しい Drama 3 に移る可能性がある場合。
Higgs TTS 3 を選ぶべきケース
- ポッドキャスト、動画、オーディオブックを作っていてクリエイター許諾を利用したい場合。Boson AI の Higgs Audio をクレジット表記するのが条件です。
- 100 以上の言語が必要な場合:Boson は自社基準で 102 言語が一桁のエラー率と報告しています。
- 21 種の感情、9 種の効果音、速度、ピッチ、ポーズのタグが欲しい場合。
- クローンには本人同意が必要という Boson の規定と、他の音声モデルの学習には別途契約が必要という要件を受け入れられる場合。