知名 AI 创业者李沐与他的团队 Boson.ai 最近推出了全新的开源文本转语音（TTS）大模型 ——Higgs Audio v2。这款模型不仅可以将文本转换为语音，还具备多语言对话生成、韵律自动调整和声音克隆等多种功能，堪称语音合成领域的一次重大突破。
Higgs Audio v2的强大之处在于其多模态能力，它不仅能够处理文本信息，还能理解和生成语音，完成复杂任务。例如，它可以写一首歌并用特定的声音演唱，同时还可以配上背景音乐，这在以前的 TTS 技术中是不可想象的。
该模型融合了多达1000万小时的语音数据进行训练，确保其在各种基准测试中的优异表现。根据 EmergentTTS-Eval 测试，Higgs Audio v2在 “情绪” 和 “问题” 两个类别中，胜率分别超过了 GPT-4o-mini-tts 高达75.7% 和55.7%。在传统的 TTS 测试中，该模型同样展现了超凡的性能，成为行业标杆。
技术上，Higgs Audio v2采用先进的数据处理方式，每秒25帧的语音信号通过离散化音频分词器转化为编号序列，从而精准捕捉语义与声学特征。同时，模型架构利用了预训练的大型语言模型，使其在理解语言和上下文方面具备了强大的能力。此外，该模型还具备上下文学习能力，能通过简单提示快速适应新的任务，实现零样本的语音克隆。
在应用场景上，Higgs Audio v2能够实现实时语音聊天，提供低延迟和情感表达的自然互动，非常适合用在虚拟主播和实时语音助手中。同时，音频内容创作方面，它能够生成自然对话和旁白，为有声读物、互动培训及动态故事讲述等提供强大支持。最后，语音克隆功能让它能够复制特定人物的声音，开启娱乐和创意领域的新可能性。
这款模型的代码已经全部开源，用户可以在 GitHub 和 Hugging Face 平台上找到，支持在本地安装，用户需准备 GPU 版的 PyTorch 或使用 Docker 进行简化安装。
