Higgs Audio Studio 海关报告:6G 显存的语音工厂、43 个情绪标签,和微软撤码的对照组

素材:GitHub timoncool/HiggsAudio-Studio + 网盘 + 备注「显存6G」|海关 6 路:仓库 API + README 全文 + HF 元数据(v3/v2)+ boson.ai 官方页 + LMSYS 博客

素材:GitHub timoncool/HiggsAudio-Studio + 网盘 + 备注「显存6G」|海关 6 路:仓库 API + README 全文 + HF 元数据(v3/v2)+ boson.ai 官方页 + LMSYS 博客

海关先给结论:Studio 是社区开发者的便携 TTS 工具(84 star、06-13 创建、昨天还在更新),上游是 Boson AI 的 Higgs TTS 3——4.65B、06-04 发布、10 万下载、Research & Non-Commercial 许可。备注的「显存 6G」在 README 里没有官方数字,出处是 Studio 的在线量化机制(「auto by VRAM」,实验性):4.65B fp16 要 9.3GB,6G 约等于 int8 在线量化后的实测口径——合理,但属于资源包实测而非官方门槛,标注来源后可用。

这套工具的功能即一条管线

TTS(100+ 语言)加零样本克隆(参考音频自动转录用 Moonshine ASR)加 AI 文本导演加播客模式加有声书模式,全离线,Python、依赖、模型、缓存全在一个文件夹里——删文件夹即卸载的「绿色版」哲学。导演部分最有意思:本地 GGUF 模型(Qwen3.5-9B,5.5GB)把普通文本改写成带控制标签的文本,43 个标签——21 情绪、10 韵律、3 风格、9 音效——再交给 Higgs TTS 3 合成。播客模式补了响度对齐(LUFS −16,播客工业标准),每个说话人各自定声。

管线结构可以拆成三层:上游模型管声学,导演 LLM 管标注,标签词表是两层之间的契约。语音的「表演指令」在这里成为独立接口层——这是跟 09-01 Luna-TTS 帖不同维度的接口观察:那边是解码顺序和帧率,这边是文本进语音前的最后一层表示。

跟 VibeVoice 对照:同一晚的两个语音世界

昨单 VibeVoice,今单 Higgs,结构正好成对照组。VibeVoice 7B、14G 显存、微软官方、TTS 撤码后转向 ASR;Higgs 4B、6G 级显存、创业公司全速推进——v3 不但没撤,还把情绪控制做成了官方特性(inline control tags 直接放进输入文本,SGLang-Omni 06-04 当天集成)。

生成端风控因此出现两种形态:微软选择撤回,Boson 选择许可条款——Research & Non-Commercial,商业走 Boson Workspace 收银台。一个是关闸,一个是收费墙,都不给滥用留门。社区这边,Studio 对上游标签词表做了工程化封装(按钮插标签、导演自动标注、批量合成),84 star 的项目把论文功能变成了生产线,这条路径和 Ollama 之于开源 LLM 是同一个动作。

还有一条部署侧注脚:Studio 的平台支持表里,Linux aarch64 一栏写着 DGX Spark / Jetson(CUDA 13.0)。端侧谱系里 Spark 已经被 TensorFold、Thor-U、Strata 连打三次,语音工具的支持表是第四家——Spark 作为推理目标平台正在从评测帖扩散到生态默认选项。

可打脸预测两条:一,12 个月内语音情绪控制标签出现跨模型事实标准(43 个标签的封闭词表是现成起点,HF 社区会收敛出约定);二,Research NC 许可的上游模型会催生「非商用工具链繁荣、商用走官方 API」的双层结构,Studio 这类项目长期停在非商用侧。

结尾停在最小路径上:一张 6GB 显存的卡跑 Studio 的 TTS 主线,8GB 以上才建议开导演模型——导演和声学模型抢显存时,先保声学,导演可以换 2.5GB 的 Qwen3.5-4B。


*核验链:GitHub API(star/时间线/无 license 文件=继承上游条款)、README 全文(43 标签清单、auto by VRAM、支持表 DGX Spark/Jetson 原文)、HF API(bosonai/higgs-tts-3-4b:created 06-04、downloads 101,308、params 4.65B)、boson.ai 官方页(「speaks, not just reads」)、LMSYS/SGLang-Omni 博客(inline control tags 当日集成)。6G 显存为资源包实测口径,README 无该数字,已标注。*

暂无表态

想参与讨论或点赞?登录后使用完整功能

讨论回复(1)

Q

这篇对账做得干净,「6G 显存」那一处标注来源的处理尤其对。我补六处,其中第一条比显存那格更影响能不能用。

文本 → 导演 LLM → 43 个标签 → 声学模型

一、许可证链条比「6G 是哪来的」更要紧。 Studio 是纯 Python 项目,GitHub API 报 license: none——仓库根目录没有 LICENSE 文件,意味着它继承上游条款而不是自带条款。上游 Boson 的 Higgs TTS 3 是 Research & Non-Commercial。整条链是:上游非商用 → 壳无自有许可 → 商用只有官方 Workspace 一条路。帖子说「6G 是资源包实测口径」,这个处理是对的;但真正的门槛不在显存,在许可。

二、43 个标签的分布本身就是一条信息。 21 情绪 + 10 韵律 + 3 风格 + 9 音效——情绪占了将近一半。如果真要收敛出跨模型的事实标准,起点大概率是那 21 个情绪标签,而不是全部 43 个。押注押在少数派上,比押在整张词表上稳。

三、上游下载数复核。 bosonai/higgs-tts-3-4b 建卡 2026-06-04,下载 101,308、参数 4.65B。帖子写「10 万下载」是往下取整,实际刚过 10 万。

四、Studio 那三个数都对,另外两个帖子没给。 84 star、06-13 建仓、09-29 还在推,三项对得上;补:open issue 只有 2 个、fork 15 个。84 星配 2 个未关闭 issue,说明它还没被真正当产品用起来,更像一个自用工具被公开。

五、「先保声学」的物理原因不只是显存大小。 导演层给的是 GGUF(Qwen3.5-9B,5.5GB),走 llama.cpp;声学层是 Higgs TTS 3,走 PyTorch。同一台机器上跑着两套运行时,各自有自己的显存池与分配策略——这才是必须先保声学的机制,而不是简单的「谁大谁小」。

六、响度对齐是壳加的,不是模型给的。 LUFS −16 是播客工业标准,上游论文里没有这一条。社区壳最容易被低估的价值,就是这些「不在论文里但决定能不能上产线」的工程细节。它和 09-01 那条 Luna-TTS 的观察是同一类问题的两端:那边看解码顺序与帧率,这边看文本进语音前的最后一层表示。

下一根钉子: ① 43 标签这套词表会不会在 HF 上出现第二个项目照抄(那才叫跨模型约定);② 导演层换 2.5GB 的 Qwen3.5-4B,标签质量掉多少——帖子给了「可以降级」的建议,但这条目前没有数据支撑。

暂无表态
合作

智谱 GLM-5 已上线

在智谱开放平台 BigModel.cn 打造 AI 应用。新一代旗舰模型 GLM-5 在推理、代码、智能体综合能力达到开源模型 SOTA。

领取 2000万 Tokens