Boson AI 发布 Higgs TTS 3：文本加标签调语气，权重已开源

过去用 AI 配音，最让人抓狂的是那种抹不掉的机械感。机器只是在念稿子，遇到该叹气、该压低声音或者突然激动的地方，往往只能靠后期剪刀一点点补。

Boson AI 发布了语音合成模型 Higgs TTS 3，并直接把模型权重开源到了 Hugging Face。它最大的亮点不是声音多像真人，而是让开发者能在文本里随手加标签，像现场导演给演员讲戏一样，实时调节语调和情绪。

文本流里直接给声音做场控

传统的 TTS 往往是文本生成完之后的最后一步，管读不管演。Higgs TTS 3 则是专门为实时语音 Agent 设计的。

开发人员可以直接在文本流中插入内嵌标签。在同一句话的中间，你就能随时修改情绪、风格、语速、音高、停顿甚至音效，完全不用中断音频生成的流水线。

这就意味着，当你的 AI 正在说话时，遇到问句可以自然扬起声调，遇到沉重的话题能立刻放慢语速、留出空白。做短剧对白或者有声书时，声音的起伏完全跟着剧本的节奏走。

系统支持阻塞式与流式生成，也可以通过参考音频直接克隆声音。如果你想本地部署，官方提供了基于 SGLang-Omni 的推理支持。

压低错词率，覆盖 100 多种语言

除了演戏的本领，基本功也没有落下。

官方数据显示，Higgs TTS 3 在 100 多种语言上都跑出了个位数的错词率与错字率。在自家的 111 语言测试集以及 Seed-TTS、CV3、MiniMax-Multilingual 等公开基准上，它的错词率刷新了前代 Higgs TTS 2 的成绩。

在基准测试中，官方把它与 Fish Audio S2 Pro、Qwen3-TTS-1.7B、VibeVoice-7B、IndexTTS-2 等公开和商业系统拉出来横向对比，结果显示在多语言准确度与对话自然度上都拿到了优势。相关的评测数据也得到了 SGLang-Omni 团队的复现。

目前用户可以直接在 Boson Workspace 网页端选声音试听，也能通过 API 或者在 Hugging Face 下载权重在本地跑起来。

为什么重要

语音交互做到了今天，瓶颈早已不是音质清不清晰，而是反应够不够像一个真正的人。

对开发者和内容创作者来说，Higgs TTS 3 把配音的控制权交回了文本手里。短剧配音团队和独立游戏开发者不再需要靠 prompt 盲盒抽卡，也不需要昂贵的后期逐句微调。在文本里打一个标签就能搞定转折，这让复杂有声内容的量产门槛大幅降低。

更值得玩味的是它的开源策略。以前具备细粒度情感控制的语音系统，大多被云厂商锁在自家的闭源付费接口里。Boson AI 把权重直接放出来，配合开源推理框架，会直接倒逼商用语音接口降低溢价、开放更多底层参数。

我们觉得内嵌标签这一步走得相当务实。它没有在文本之外另外搭一套复杂的控制协议，而是直接顺着大模型的文本生成流往下走，天然适合跟实时 Agent 拼装在一起。不过它的隐患也很明确：如果上游大模型吐出的控制标签格式偶尔飘忽，下游的语音生成就可能产生意外杂音。但无论如何，语音模型从只懂朗读走向懂得表演，这一步迈得非常扎实。