Le TTS open source est enfin passé à la diffusion en flux en temps réel, Higgs Audio v3 a une gestion de la latence assez impressionnante, la clonage sans échantillon + l'étiquetage émotionnel sont assez sophistiqués.

Boson AI open source Higgs Audio v3 TTS poids, basé sur Qwen3-4B, environ 4 milliards de paramètres, optimisé pour la conversation en flux en temps réel, synthèse commencée avant la fin du texte pour réduire la latence. Supporte plus de 100 langues/dialectes, le taux d'erreur de mots et caractères réduit à un chiffre, supporte la clonage vocal zéro échantillon et peut intégrer plus de 20 émotions et étiquettes de contrôle multi-classes dans le texte. En collaboration avec LMSYS, une optimisation de bout en bout est réalisée dans le cadre de SGLang-Omni, avec un taux en temps réel de 0,147 pour une seule instance H100 en parallèle. Les poids ont été publiés sur Hugging Face, sous une licence de recherche non commerciale.