Boson AI と LMSYS、SGLang-Omni ベースの Higgs Audio v3 TTS エンドツーエンドサービスをリリース
原題:Blog Higgs Audio v3 TTS on SGLang-Omni: Real-Time, Controllable Speech for Voice Agents Today we are announcing end-to-end serving for Higgs Audio v3 TTS on SGLang-Omni. Higgs Audio v3 TTS is Boson AI's text-to-speech model for conversational voice agents: it generates natural and expres... Boson AI & SGLang-Omni Team
AI 要約
Boson AI と LMSYS は、SGLang-Omni 推論フレームワークに基づく Higgs Audio v3 TTS エンドツーエンドサービスを共同で発表した。このモデルは約 4B パラメータで、Qwen3-4B バックボーンに基づき、100 言語(内部評価では 111 言語をカバー)に対応し、Seed-TTS、CV3、MiniMax-Multilingual、Higgs-Multilingual のゼロショット音声クローンタスクで文字レベルの WER/CER を達成する。開発者はテキスト内の制御タグを通じて、感情(20 種類以上)、スタイル、韻律(話速/ピッチ/ポーズ)、効果音をリアルタイムに調整できる。モデルはストリーミング合成に対応し、テキストが完全でなくても音声生成を開始でき、一貫性を保つ。SGLang-Omni は多段階生成モデル向けに設計され、AR デコードと軽量計算を統合的にスケジューリングし、低遅延推論を実現する。
要点
- Boson AI と LMSYS は、SGLang-Omni 推論フレームワークに基づく Higgs Audio v3 TTS エンドツーエンドサービスを共同で発表した。
- このモデルは約 4B パラメータで、Qwen3-4B バックボーンに基づき、100 言語(内部評価では 111 言語をカバー)に対応し、Seed-TTS、CV3、MiniMax-Multilingu…
- 開発者はテキスト内の制御タグを通じて、感情(20 種類以上)、スタイル、韻律(話速/ピッチ/ポーズ)、効果音をリアルタイムに調整できる。
- モデルはストリーミング合成に対応し、テキストが完全でなくても音声生成を開始でき、一貫性を保つ。
- SGLang-Omni は多段階生成モデル向けに設計され、AR デコードと軽量計算を統合的にスケジューリングし、低遅延推論を実現する
概要
- 公開日時
- 更新日時
- 出典
- LMSYS Blog
- カテゴリ
- チュートリアル
- AI スコア
- 77
Higgs v3 把多语言和实时可控制整合进一个流式 TTS 模型,SGLang-Omni 为它搭好了多阶段推理的底座,做语音 Agent 的可以直接抄作业,这比多数论文落地快半拍。
関連エンティティ
出典と著作権
本記事は AIHOT の公開 API が提供する厳選タイトルと AI 要約に基づいており、出典の明記と元記事へのリンクを行っています。原文の著作権は元の媒体と著者に帰属し、当サイトは全文を転載しません。
引用方法
本記事を引用する際は、タイトル・日付・パーマリンクを保持し、出典をOrange Newsと明記してください。
Orange News:Boson AI と LMSYS、SGLang-Omni ベースの Higgs Audio v3 TTS エンドツーエンドサービスをリリース。2026年6月4日。https://new.nat6.net/ja/news/cmpzqhv5y0607slkptes62n17/