O TTS de código aberto finalmente entrou na moda de streaming em tempo real, o Higgs Audio v3 tem um controle de atraso que é bastante interessante, clonagem de zero amostra + marcação de emoção é bastante elaborado

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, iniciando a síntese antes da conclusão do texto para reduzir a latência. Suporta mais de 100 idiomas/dialetos, taxa de erro de palavras e caracteres reduzida a unidades, suporta clonagem de voz zero-amostra e pode incorporar mais de 20 emoções e múltiplas etiquetas de controlo no texto. Em parceria com LMSYS, implementa otimização de ponta a ponta no quadro SGLang-Omni, com uma taxa de processamento em tempo real de 0,147 em uma única execução concorrente na H100. Os pesos já foram publicados no Hugging Face, sob licença de pesquisa não comercial.