Boson AI 釋出 Higgs TTS 3：文本加標籤調語氣，權重已開源

過去用 AI 配音，最讓人抓狂的是那種抹不掉的機械感。機器只是在念稿子，遇到該嘆氣、該壓低聲音或者突然激動的地方，往往只能靠後期剪刀一點點補。

Boson AI 釋出了語音合成模型 Higgs TTS 3，並直接把模型權重開源到了 Hugging Face。它最大的亮點不是聲音多像真人，而是讓開發者能在文本里隨手加標籤，像現場導演給演員講戲一樣，即時調節語調和情緒。

文本流裡直接給聲音做場控

傳統的 TTS 往往是文本生成完之後的最後一步，管讀不管演。Higgs TTS 3 則是專門為即時語音 Agent 設計的。

開發人員可以直接在文本流中插入內嵌標籤。在同一句話的中間，你就能隨時修改情緒、風格、語速、音高、停頓甚至音效，完全不用中斷音訊生成的流水線。

這就意味著，當你的 AI 正在說話時，遇到問句可以自然揚起聲調，遇到沉重的話題能立刻放慢語速、留出空白。做短劇對白或者有聲書時，聲音的起伏完全跟著劇本的節奏走。

系統支援阻塞式與流式生成，也可以通過參考音訊直接克隆聲音。如果你想本地部署，官方提供了基於 SGLang-Omni 的推理支援。

壓低錯詞率，覆蓋 100 多種語言

除了演戲的本領，基本功也沒有落下。

官方資料顯示，Higgs TTS 3 在 100 多種語言上都跑出了個位數的錯詞率與錯字率。在自家的 111 語言測試集以及 Seed-TTS、CV3、MiniMax-Multilingual 等公開基準上，它的錯詞率重新整理了前代 Higgs TTS 2 的成績。

在基準測試中，官方把它與 Fish Audio S2 Pro、Qwen3-TTS-1.7B、VibeVoice-7B、IndexTTS-2 等公開和商業系統拉出來橫向對比，結果顯示在多語言準確度與對話自然度上都拿到了優勢。相關的評測資料也得到了 SGLang-Omni 團隊的復現。

目前使用者可以直接在 Boson Workspace 網頁端選聲音試聽，也能通過 API 或者在 Hugging Face 下載權重在本地跑起來。

為什麼重要

語音互動做到了今天，瓶頸早已不是音質清不清晰，而是反應夠不夠像一個真正的人。

對開發者和內容創作者來說，Higgs TTS 3 把配音的控制權交回了文本手裡。短劇配音團隊和獨立遊戲開發者不再需要靠 prompt 盲盒抽卡，也不需要昂貴的後期逐句微調。在文本里打一個標籤就能搞定轉折，這讓複雜有聲內容的量產門檻大幅降低。

更值得玩味的是它的開源策略。以前具備細粒度情感控制的語音系統，大多被雲廠商鎖在自家的閉源付費接口裡。Boson AI 把權重直接放出來，配合開源推理框架，會直接倒逼商用語音介面降低溢價、開放更多底層引數。

我們覺得內嵌標籤這一步走得相當務實。它沒有在文本之外另外搭一套複雜的控制協議，而是直接順著大模型的文本生成流往下走，天然適合跟即時 Agent 拼裝在一起。不過它的隱患也很明確：如果上游大模型吐出的控制標籤格式偶爾飄忽，下游的語音生成就可能產生意外雜音。但無論如何，語音模型從只懂朗讀走向懂得表演，這一步邁得非常紮實。