/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
8,5 ГБ
Архитектура
higgs_multimodal_qwen3 · dense
Базовая модель
higgs-tts-3-4b
Опубликована
29 июн 2026

higgs-tts-3-4b-egyptian-v3-serve

Синтез речиТекст → аудио3 профессии

Дообученная на египетском арабском модель преобразует текст в выразительную речь с несколькими голосами и потоковой выдачей аудио.

25скачиваний за 30 дней0лайковвеса обновлены29 июн 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-3-4B Egyptian Arabic (v3) — это дообученная на египетском арабском модель синтеза речи на основе bosonai/higgs-tts-3-4b. Она предназначена для преобразования текста в речь и поставляется с сервером с OpenAI-совместимым API и потоковой выдачей аудио. Модель поддерживает голоса noselleel, moustafa и mosaifside, а также лексикон произношения, применяемый при инференсе; частота дискретизации аудио — 24 кГц.

Для потокового синтеза README указывает время до первого фрагмента около 0,7 секунды и скорость генерации примерно в 2,4 раза выше реального времени на RTX 4090 при декодировании с torch.compile. Для запуска сервера требуется CUDA GPU; заявленные характеристики производительности относятся к RTX 4090. Лицензия в предоставленных данных не указана.

Сценарии применения

  • синтез речи на египетском арабском языке
  • потоковая озвучка текста через OpenAI-совместимый API
  • генерация аудио голосами noselleel, moustafa и mosaifside
  • озвучивание приложений с низкой задержкой

Ограничения

Для запуска сервера требуется CUDA GPU; заявленная производительность измерена на RTX 4090 и может отличаться на другом оборудовании. Лицензия модели в предоставленных данных не указана.

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-3-4B — Egyptian Arabic (v3) + OpenAI-compatible streaming server

Egyptian-Arabic TTS fine-tune of bosonai/higgs-tts-3-4b (v3 = noselleel + moustafa + quality-filtered mosaifside, pronunciation lexicon at inference). Ships a self-contained OpenAI-compatible server with low-latency streaming.

  • Voices: noselleel, moustafa, mosaifside · 24 kHz
  • Model id: higgs-egyptian-v3
  • Endpoints: POST /v1/audio/speech (OpenAI-compatible), GET /health|/v1/models|/v1/voices|/metrics

Performance (RTX 4090)

  • torch.compile decode: ~16 ms/frame → RTF ~0.47 (2.4x faster than real-time)
  • Streaming time-to-first-chunk ~0.7 s (windowed decode: left ctx + right lookahead, bit-exact vs full decode)
  • Single continuous generation per turn (no sentence-boundary stalls); startup warm-up

Run

pip install -r serving/requirements.txt
MODEL_DIR=. CODEC=bosonai/higgs-audio-v2-tokenizer \
  uvicorn serving.serve_openai:app --host 0.0.0.0 --port 8000
# first start compiles (~90s) then warms; needs a CUDA GPU

Use (OpenAI SDK)

from openai import OpenAI
c = OpenAI(base_url="http://localhost:8000/v1", api_key="x")
c.audio.speech.create(model="higgs-egyptian-v3", voice="mosaifside",
                      input="ازيك عامل ايه النهارده؟").stream_to_file("out.wav")

response_format: pcm (streaming s16le 24 kHz) or wav. See serving/SERVE.md.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура higgs_multimodal_qwen3 неизвестна transformers в образе рантайма.

Класс архитектуры
HiggsMultimodalQwen3ForConditionalGeneration
Ревизия весов
eee5c07

0 моделей