Boson AIがHiggs TTS 3公開：タグで感情や間を演出、重みもオープン

AI 音声を使っていて一番もどかしいのは、感情の乗らない一本調子な読み上げでした。ため息をついたり、小声で囁いたり、急に声のトーンを上げたりといったニュアンスを出すには、後から音声を細かく切り貼りするしかありませんでした。

Boson AI は対話型エージェント向け音声合成モデル Higgs TTS 3 を発表し、モデルの重みを Hugging Face 上でオープンに公開しました。最大の特徴は、テキストの途中にインラインタグを挟むことで、まるで演出家が声優に指示を出すように声の調子を自在に操れる点です。

テキストの中でリアルタイムに演技指導

従来の音声合成は、テキスト生成の後に単に音読させる最後の処理として扱われがちでした。しかし Higgs TTS 3 は、会話エージェントがその場で考え、反応する体験のために設計されています。

開発者はテキストストリーム内に直接タグを埋め込むことができます。一言のセリフの途中であっても、感情、トーン、速度、ピッチ、ポーズ、効果音をシームレスに変更でき、生成の流れを止める必要がありません。

これにより、AI が質問に対して一瞬言い淀んだり、声のトーンを落として秘密めかして話したりといった表現が簡単になります。ボイスドラマやゲームのセリフ作成でも、台本に演出タグを書き込むだけで望み通りの演技を引き出せます。

システムはストリーミング生成と一括生成の両方に対応し、参照音声からのボイスクローニングも可能です。ローカルでの推論には SGLang-Omni による最適化が提供されています。

100 以上の言語で誤り率を抑制

表現力だけでなく、基礎的な読み上げ精度も向上しています。

公開データによると、Higgs TTS 3 は 100 以上の言語で 1 桁台の単語・文字誤り率を達成しました。自社の 111 言語ベンチマークや Seed-TTS、CV3、MiniMax-Multilingual などの公開テストにおいて、前世代の Higgs TTS 2 を上回る精度を記録しています。

Fish Audio S2 Pro、Qwen3-TTS-1.7B、VibeVoice-7B、IndexTTS-2 などのオープンモデルや商用システムとの比較でも高い競争力を示しました。この結果は SGLang-Omni チームによっても再現検証されています。

利用者は Boson Workspace のブラウザ環境ですぐに試せるほか、API 連携や Hugging Face からの重みダウンロードによるローカル環境へのデプロイも可能です。

なぜ重要か

音声 AI の進化において、音質自体のクリアさはすでに当たり前になり、現在の競争軸はいかに自然な人間らしい会話ができるかに移っています。

開発者やコンテンツ制作者にとって、Higgs TTS 3 の登場は演出の自由度を一気に引き上げます。プロンプトの運任せで感情を祈る必要も、波形編集ソフトで繋ぎ合わせる手間もありません。テキストに直接指示を書くだけで抑揚をつけられるため、短尺動画の吹き替えや有声コンテンツの制作効率が劇的に改善します。

さらに、この水準のモデル重みがオープンソースとして配られた意味は小さくありません。これまで細かな感情演出ができる高品質な音声合成は、大手クラウド事業者の閉じた商用 API の独壇場でした。高性能モデルがローカルで動くようになれば、商用 API ベンダーへの値下げ圧力や機能開放の要求が強まるはずです。

テキストの出力ストリームにそのまま制御タグを乗せるアプローチは、LLM の出力と親和性が高く非常にスマートです。上流の LLM がタグの記述を間違えた際に音声が乱れるリスクは残りますが、AI 音声を単なる朗読係から生きた対話相手へと押し上げる確かな一歩と言えます。