Higgs Audio V2

Higgs Audio V2 是由 Boson AI 开发的开源音频基础模型，基于超过1000万小时的音频数据预训练。该模型无需后训练或微调即可实现高表现力的音频生成，在情感表达和多说话人对话生成方面达到业界领先水平。

主要功能

• 零样本语音克隆：基于参考音频生成相似音色的语音
• 多说话人对话生成：支持自然流畅的多人对话，自动匹配能量和情感
• 多语言音频生成：支持多种语言的文本转语音
• 自动韵律适配：叙述时自动调整语调和节奏
• 情感表达能力：在 EmergentTTS-Eval 上，情感类别胜率达 75.7%，超越 GPT-4o-mini-tts
• 音乐与语音融合：可同时生成背景音乐和语音内容

应用场景

在内容创作领域，创作者可以利用其生成播客、有声书或视频旁白；在多媒体制作中，可快速生成多角色对话音频；在语音克隆场景中，开发者可基于少量参考音频实现个性化语音合成。

独特优势

Higgs Audio V2 采用创新的 DualFFN 架构，建立在 Llama-3.2-3B 之上，总参数量达 5.8B。音频质量从 16kHz 升级至 24kHz，在说话人相似度和整体自然度方面表现优异。作为首个真正在情感表达上具备"意识"的开源模型，它在语调、时机和语气把控方面表现出色。