Higgs TTS 3
Boson AI 的 4.65B 语音对话文字转语音模型:100 多种语言、声音克隆、内联情绪和音效标签,仅限非商业使用。
一句话概括. Higgs TTS 3 能把文字变成 100 多种语言的富有表现力的语音,还能用一小段录音复制一个声音。你可以在文本里加标签来控制情绪、耳语、笑声、语速和停顿。权重对研究、个人使用以及署名 Boson 的创作者免费,但做产品或托管服务需要付费许可。
概述
Higgs TTS 3 是 Boson AI 面向语音对话的文字转语音模型。它在 2026 年 6 月 4 日首次以 Higgs Audio v3 的名字出现在 Hugging Face,2026 年 7 月 9 日改名为 Higgs TTS 3,同时许可证新增了创作者授权。它是一个 46.5 亿参数的自回归解码器,读取交错排列的文本和音频词元,音频编码为 8 个码本、每秒 25 帧,输出 24 kHz,训练序列长度为 8192 个词元。Boson 称它在 102 种语言上达到个位数的词错误率或字错误率,其中 85 种低于 5,并且能用参考音频零样本克隆声音。写在文本里的标签可以设定 21 种情绪、唱歌、喊叫或耳语、笑声、咳嗽和叹气等九种音效,以及语速、音高和停顿。
在 Boson 自己报告的宏平均词错误率或字错误率上(越低越好),它在 Seed-TTS 上为 1.11(OmniVoice 1.21,Qwen3-TTS-1.7B 1.30,Fish Audio S2 Pro 1.31),在 CV3 上为 4.41(Fish Audio S2 Pro 4.60),在 MiniMax-Multilingual 上为 2.74(OmniVoice 2.98),在 Boson 内部的 111 种语言测试集上为 3.61(OmniVoice 3.63,Fish Audio S2 Pro 8.68)。在 Emergent TTS 上,它对基线的胜率为 53.65%,领先 MOSS-TTS-v1.5 的 43.89% 和 Fish Audio S2 Pro 的 43.80%,不过在复杂发音上 Qwen3-TTS-1.7B 更高(30.00% 对 25.10%)。在一块 H100 上用 bf16,Boson 测得单个请求的实时因子为 0.147,在 Seed-TTS 英语句子上平均延迟 617 毫秒,16 个并发请求时每秒约产出 62 秒音频。这些都是开发方自己报告的结果,Emergent TTS 的胜率来自自动评判。
权重是一个 9.31 GB 的 BF16 文件,模型卡展示了通过 SGLang-Omni 或 vLLM-Omni 提供 OpenAI 风格的语音接口和流式输出。许可证是研究与非商业许可证,Boson 称它是源码可见而不是开源。创作者使用授权允许数字创作者在署名 Boson AI 的 Higgs Audio 的前提下,免费发布并变现使用该模型音频的播客、视频、有声书和社交媒体帖子,但生产使用、托管、嵌入产品以及训练其他语音模型都需要另行签订协议。截至 2026 年 11 月 11 日的 30 天内,Hugging Face 统计约有 11.4 万次下载。
适合做什么
- 需要把笑声、耳语、停顿和情绪写进文本的富有表现力的对话语音
- 低资源语言的朗读,因为 Boson 称在其中 102 种语言上达到个位数错误率
- 在你自己的渠道发布的播客、视频和有声书,创作者授权允许你在署名的前提下免费变现
- 可控、多语言语音合成的研究和评估
需要注意
- 它不是开源模型,生产使用、托管或 API 使用、以及嵌入产品都需要向 Boson 申请商业许可,创作者授权不覆盖这些用途
- 许可证禁止用权重或输出训练其他语音或生成模型,克隆真人声音需要明确同意,法律要求时必须披露是 AI 生成
- 基准测试和 102 种语言的说法都来自 Boson 自己,Emergent TTS 的胜率来自自动评判,在复杂发音上它不及 Qwen3-TTS-1.7B
- 模型卡没有给出最低硬件要求,测量是在 H100 上进行的,BF16 文件为 9.31 GB
- 音效标签最好紧跟一个写出来的声音,比如 “Haha”,情绪和风格标签要放在文本开头,上下文为 8192 个词元
性能数据来自开发方,未经独立验证。
需要多少内存?
以下是 Higgs TTS 3 各版本的内存数据。图像、视频、语音和音乐管线还要加载文本编码器和解码器,所以所需内存可能比主检查点更大。
| 版本 | 参数量 | 下载大小 | 所需内存 | 可运行于 |
|---|---|---|---|---|
| Higgs TTS 3 4B BF16 | 4.65B | 9.31 GB | 11 GB | 笔记本或手机 |
下载大小包含运行模型所需的全部组件,例如生成器、文本编码器和解码器。所需内存优先采用开发方声明或已公开的实测最低值;没有时按下载大小加约 15% 估算。更大的图像、更长的片段和更高的分辨率需要更多内存。
许可证,用大白话说
Boson AI 为 Higgs TTS 3 权重提供的许可证,最后更新于 2026 年 7 月 8 日。它自称是源码可见许可证,不是开源许可证。研究和非商业使用免费,任何商业目的都需要向 Boson 另行申请书面许可。唯一的例外是“创作者使用授权”:数字创作者只要署名 Boson AI 的 Higgs Audio,就可以免费用该模型的音频制作并变现播客、视频、有声书和社交媒体帖子。
- 需要署名或标明模型名称
- 须遵守可接受使用政策
进一步了解 Boson Higgs Non-Commercial
延伸阅读
常见问题
- Higgs TTS 3 是什么?
- Higgs TTS 3 能把文字变成 100 多种语言的富有表现力的语音,还能用一小段录音复制一个声音。你可以在文本里加标签来控制情绪、耳语、笑声、语速和停顿。权重对研究、个人使用以及署名 Boson 的创作者免费,但做产品或托管服务需要付费许可。
- Higgs TTS 3 可以商用吗?
- 未经另行授权不可商用。Higgs TTS 3 采用 Boson Higgs Non-Commercial 发布,仅允许研究和个人使用。
- Higgs TTS 3 是开源的吗?
- Higgs TTS 3 是开放权重模型,但不是严格意义上的开源。你可以下载模型文件,但 Boson Higgs Non-Commercial 附带了开源促进会的定义所不允许的条件。
- 我能在自己的电脑上运行 Higgs TTS 3 吗?
- 可以。最小版本 Higgs TTS 3 4B 在 4 位精度下约需 11 GB 内存,现代笔记本或中端显卡即可胜任。
- Higgs TTS 3 是什么时候发布的?
- Higgs TTS 3 由 Boson AI 于 2026年6月4日 发布。
官方链接
来源
规格数据来自以下一手资料。文中提到的基准测试结果由开发方自报。
- Higgs TTS 3 model card (Hugging Face) huggingface.co
- Boson Higgs TTS 3 Research and Non-Commercial License huggingface.co
- Higgs Audio from Boson AI boson.ai
发布时间等信息最近核实于 2026年11月11日。
相关模型
| 模型 | 发布时间 | 参数量 | 上下文 | 许可证 | 最小版本所需内存 |
|---|---|---|---|---|---|
| Drama 3 Fish Audio | 35.9B 激活 3B | – | Fish Audio Community 1.0 (附条件) | 25 GB 游戏显卡 | |
| OmniVoice Xiaomi | 613M | – | CC BY-NC (非商用) | 3.75 GB 笔记本或手机 | |
| Qwen3-TTS Alibaba Qwen | 910M – 1.92B | – | Apache 2.0 (宽松) | 3.68 GB 笔记本或手机 | |
| Voxtral TTS Mistral AI | 4.09B | – | CC BY-NC (非商用) | 9.2 GB 笔记本或手机 |