S2 Pro 与 Higgs TTS 3 对比:该选哪个非商业文字转语音模型?
Fish Audio 的 S2 Pro 和 Boson 的 Higgs TTS 3 都是 4.6B 的文字转语音模型,支持行内标签和声音克隆,都只能非商业使用。对比许可证和硬件。
结论. 两者都是约 4.6B 参数的自回归文字转语音模型,都支持写在文本里的标签,都能凭一小段音频克隆声音,也都只对研究和非商业用途免费,所以许可证说了算。Fish Audio 的研究许可证把任何商业目的(甚至你自己公司的内部使用)都算作需要单独书面许可,也没有创作者例外。Boson 的许可证多了一项创作者授权:只要署名 Boson,你就可以免费发布并变现用它的音频制作的播客、视频、有声书和社交帖子,不过托管服务、产品以及用输出训练其他语音模型仍然需要协议。硬件方面,Fish Audio 要求至少 24 GB 显存,文件合计约 11 GB;Boson 没有列出最低要求,权重是一个 9.31 GB 的文件。两家都只公布自己的分数:Fish Audio 报告 Seed-TTS Eval 的错误率中文 0.54%、英文 0.99%,而 Boson 的宏平均表格里 Higgs TTS 3 为 1.11,S2 Pro 为 1.31,所以这些说法无法互相比较。选择之前请两个都听一听,并且只克隆你已获得同意的声音。
规格
| 规格 | S2 Pro | Higgs TTS 3 |
|---|---|---|
| 开发方 | Fish Audio | Boson AI |
| 发布时间 | 2026年3月9日 | 2026年6月4日 |
| 总参数量 | 4.56B (S2 Pro) | 4.65B (Higgs TTS 3 4B) |
| 激活参数量 | 全部 | 全部 |
| 架构 | 稠密 | 其他 |
| 上下文窗口 | – | – |
| 输入 | 文本, 音频 | 文本 |
| 许可证 | Fish Audio Research (非商用) | Boson Higgs Non-Commercial (非商用) |
| 最小版本所需内存(4 位) | 24 GB (S2 Pro) | 11 GB (Higgs TTS 3 4B) |
性能数据来自开发方,未经独立验证。
选 S2 Pro 的情况
- 你想要 [whisper in small voice] 这样的自由形式标签,以及用说话人 ID 明确区分的多人对话。
- 你有 24 GB 显存的 NVIDIA GPU,并想走 Fish Audio 的 SGLang-Omni 或 vLLM-Omni 服务路线。
- 你只需要研究、个人爱好或评估用途,并且分享任何东西时会标示“Built with Fish Audio”。
- 你以后可能向 Fish Audio 申请商业许可,或者改用它较新的 Drama 3,后者在年营收低于 50 万美元时可免费商用。
选 Higgs TTS 3 的情况
- 你做播客、视频或有声书,想用创作者授权,只要署名 Boson AI 的 Higgs Audio。
- 你需要 100 种以上的语言:Boson 按自己的标准报告 102 种语言达到个位数错误率。
- 你想要涵盖 21 种情绪、九种音效、语速、音高和停顿的标签。
- 你接受 Boson 关于克隆需要同意的规定,以及训练其他语音模型需要另行签订协议的要求。