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

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。*