オープンソースのTTSがついにリアルタイムストリーミングに追いついた、Higgs Audio v3の遅延制御はなかなかのものだ、ゼロショットクローン＋感情タグを駆使してかなり遊べる

Boson AI オープンソースの Higgs Audio v3 TTS 重み、Qwen3-4B に基づき、約40億パラメータ、リアルタイムストリーミング対話に最適化、テキスト未完了時に即座に合成を開始し遅延を低減。100以上の言語/方言をサポートし、文字・単語の誤り率を十位数に抑制、ゼロショット音声クローンをサポートし、テキスト内に20以上の感情や多様な制御タグを埋め込むことが可能。LMSYS と SGLang-Omni フレームワークでエンドツーエンドの最適化を実現し、H100 一枚での単一並列リアルタイムレートは0.147。重みは Hugging Face で公開されており、非商用研究ライセンスを採用。