TTS de código aberto finalmente entrou na transmissão em tempo real, Higgs Audio v3 esse controle de atraso é bem interessante, clonagem de zero amostra + marcação de emoção é bem divertido

Boson AI código aberto Higgs Audio v3 TTS pesos, baseado em Qwen3-4B, aproximadamente 4 bilhões de parâmetros, otimizado para diálogos em fluxo contínuo em tempo real, começando a sintetizar antes do texto estar completo para reduzir a latência. Suporta mais de 100 idiomas/dialetos, taxa de erro de palavras e caracteres reduzida a um dígito, suporta clonagem de voz zero-shot e pode incorporar mais de 20 emoções e múltiplas tags de controle no texto. Com LMSYS, implementa otimização de ponta a ponta no framework SGLang-Omni, uma taxa de processamento em tempo real de 0,147 com uma única GPU H100. Os pesos foram publicados no Hugging Face, sob licença de pesquisa não comercial.