/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Своя лицензия
Архитектура
higgs_multimodal_qwen3 · dense
Базовая модель
higgs-tts-3-4b
Библиотека
mlx
Опубликована
10 июл 2026

Higgs-TTS-3-4B-MLX-bf16

Синтез речиТекст → аудио3 профессии

Многоязычная MLX-модель синтезирует разговорную речь из текста и клонирует голос по короткому аудиопримеру с расшифровкой.

137скачиваний за 30 дней0лайковвеса обновлены10 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Higgs TTS 3 — MLX bf16 — это пакет модели синтеза речи, опубликованный aufklarer на базе весов Boson AI Higgs TTS 3. Он предназначен для генерации разговорной речи из текста и клонирования голоса по короткому аудиофрагменту с его расшифровкой. Модель основана на декодере Qwen3-4B и аудиоинтерфейсе с восемью кодовыми книгами; встроенный кодек формирует речь с частотой 24 кГц. Пакет рассчитан на запуск через MLX на Apple Silicon.

Модель поддерживает более 100 языков и позволяет задавать эмоциональную подачу, стиль, звуковые эффекты и просодию управляющими токенами в тексте. В README приведены результаты проверок на английском, китайском, испанском и японском для конкретной тестовой конфигурации; они не гарантируют аналогичное качество на всех языках и сценариях. Для клонирования голоса требуется согласие его владельца. Лицензия указана как other, поэтому условия использования следует уточнить на странице репозитория и у правообладателей.

Сценарии применения

  • синтез разговорной речи из текста
  • клонирование голоса по образцу и расшифровке
  • генерация речи с заданной эмоцией и стилем
  • озвучивание текста на разных языках
  • создание голоса для голосового чата на Apple Silicon

Ограничения

Для запуска пакет предназначен для MLX на Apple Silicon и занимает около 9,3 ГБ. Для клонирования голоса необходимо получить согласие владельца; лицензия обозначена как other, поэтому её конкретные условия следует проверить в репозитории.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Higgs TTS 3 — MLX bf16

Native MLX bundle of Higgs TTS 3 — a ~4B conversational text-to-speech model built on a Qwen3-4B decoder with a fused 8-codebook audio interface (8 x 1026 vocab at 25 fps, MusicGen-style delay pattern) and an embedded Higgs codec, producing 24 kHz speech. Zero-shot voice cloning from a short reference clip plus transcript, 100+ languages, and inline control tokens for emotion, style, sound effects, and prosody.

Part of soniqo.audio — an on-device speech toolkit for Apple Silicon. Consumed by the open-source speech-swift library (module HiggsTTS).

Bundle size: 9321 MB

Capabilities

  • Zero-shot voice cloning — one short reference clip plus its transcript
  • 100+ languages (85 at WER/CER < 5 per the upstream card)
  • Inline control tokens — <|emotion:...|> (21), <|style:...|> (3), <|sfx:...|> (9), <|prosody:...|> (10), placed directly in the text
  • 24 kHz output at 25 fps via the embedded Higgs codec
  • Conversational delivery — built for voice chat, speaks rather than reads

Model

FieldValue
BackboneQwen3-4B decoder (36 layers, hidden 2560, GQA 32/8)
Audio interface8 codebooks x 1026 vocab, 25 fps, delay pattern
Codecembedded (DAC-style acoustic enc/dec + semantic distillation + 8-layer RVQ)
Sample rate24 kHz
Context8192 tokens
Precisionbf16, upstream key names preserved

Files

FileDescription
model.safetensorsFull system: backbone, fused codebook embedding/head, codec (bf16)
config.jsonUpstream architecture config
tokenizer.json, tokenizer_config.jsonQwen tokenizer with Higgs special/control tokens
chat_template.jinjaUpstream chat template
soniqo_manifest.jsonBundle manifest: source, license posture, file hashes

Validation

Apple Silicon roundtrip gate (cloned voice, transcribed with Qwen3-ASR): English 0.0% WER, Mandarin 0.0% CER, Spanish 0.0% WER, Japanese 3.0% CER at RTF 0.8-0.9 in the Python MLX reference implementation.

Source

This bundle preserves the upstream weights at bosonai/higgs-tts-3-4b (formerly bosonai/higgs-audio-v3-tts-4b), built by Boson AI on the Qwen3-4B-Base backbone. Technical blog: https://boson.ai/blog/higgs-audio-v3-tts.

License

Boson Higgs TTS 3 Research and Non-Commercial License (license: other), inherited from upstream. Research and non-commercial use; a Creator Use Grant permits monetized creator content with attribution to "Boson AI's Higgs Audio". Production, hosted APIs, or embedding in products requires a commercial license from Boson AI.

Responsible use

Voice cloning capability is included. Users are responsible for obtaining consent for any voice that is cloned and for not using the model to impersonate individuals without their permission, generate disinformation, or commit fraud.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры
HiggsMultimodalQwen3ForConditionalGeneration
Ревизия весов
88ea5e0

0 моделей