开源 TTS 终于卷到实时流式了，Higgs Audio v3 这延迟控制有点东西，零样本克隆+情绪标签玩得挺花

Boson AI 开源 Higgs Audio v3 TTS 权重，基于 Qwen3-4B，约40亿参数，针对实时流式对话优化，文本未完成即开始合成以降低延迟。支持100+语言/方言，字词错误率降至个位数，支持零样本声音克隆并可在文本中嵌入20+情绪及多类控制标签。与 LMSYS 在 SGLang-Omni 框架实现端到端优化，一张 H100 的单并发实时率为0.147。权重已在 Hugging Face 发布，采用非商业研究许可。