Higgs TTS 3とは？
Higgs TTS 3は、Boson AIが2026年6月4日に公開した第3世代のテキスト読み上げモデルで、一部のランキングではHiggs Audio V3 TTSとして掲載されています。約40億パラメータの自己回帰デコーダーで、毎秒25フレームで8本の音声コード列を予測し、24 kHzの音声を出力します。Bosonによると、単語または文字の誤り率は85言語で5%未満、さらに17言語で5%から10%です。
参照クリップから声をクローンでき（クリップの書き起こしがあると再現度が上がります）、21種類の感情、歌唱、叫び、ささやき、話速、音程、間、笑い声やため息などの効果音をインラインのタグで指定できます。重みは研究用途と非商用利用なら無料で、Creator Use Grantにより、Bosonをクレジットすれば自分のポッドキャストや動画で収益化もできます。製品での利用には商用ライセンスか、100万文字あたり$15のBoson APIが必要です。
Higgs TTS 3の料金は？
| プラン | 価格 | 内容 |
|---|---|---|
| Self-hosted weights | Free | 研究、非商用利用、Creator Use Grantのみ |
| Boson API | $15 per million characters | 入力文字数で課金、新規アカウントに$10の試用クレジット |
| Commercial licence | Not published | モデルのホスティング、組み込み、再販に必要 |
重みは研究、非商用利用、クレジット表記のあるクリエイターチャンネルなら無料で、製品には商用ライセンスが必要です。Boson APIは100万文字あたり$15、試用クレジットは$10です。
Higgs TTS 3は使う価値があるか？
重みの上に製品を作らないのであれば、多くの言語で正確な音声が欲しいときに検討すべきオープンモデルがHiggs TTS 3です。Bosonの表では、MiniMaxの多言語テスト32言語の平均誤り率が2.74%で、OmniVoiceの2.98%、Fish Audio S2 Proの5.15%を下回ります。Boson独自の111言語セットでは3.61%で、Qwen3-TTS-1.7Bは97.09%です。会話的な話し方を審査するEmergentTTS-Evalでは、比較の53.65%に勝ち、Fish S2 Proは43.80%です。
これはメーカー自身の数字で、聴取アリーナの評価はもっと厳しいものです。Artificial AnalysisはBosonのHiggs Audio V3 TTSを104モデル中78位、Eloは1,039としており、Kokoroの1,064を下回り、1,275のFish Audio Drama 3には大きく離されています。正確さと好まれやすさは別物で、Higgsが勝っているのは前者です。Boson自身の内訳でも、感情ではOmniVoiceに（53.75%対61.07%）、複雑な発音ではQwen3-TTSに後れを取っています。
サーバー運用向けに作られています。SGLang-Omniを使ったH100 1枚で、Bosonは単一リクエストの平均レイテンシ617 ms、リアルタイム係数0.147を計測しました。同時16リクエストでは1,079 msに上がり、毎秒61.84秒分の音声を生成します。ストリーミングはOpenAI形式のエンドポイントから音声を分割して返します。必要なVRAMは公開されていません。
注意点：Research and Non-Commercial Licenseは、ホスティング、製品への組み込み、本番利用、評価を超える社内業務での利用を禁じ、出力を他の音声モデルの学習に使うことも禁じています。今回取り上げたモデルの中で最も厳しい同意の規定でもあり、実在の人物をクローンするには本人の明示的で検証可能な同意が必要で、高リスクの商用利用者はBosonが求めれば提出できる記録を保管しなければなりません。コードで強制されるわけではありませんが、条件は明確です。
結論：Higgs TTS 3は研究者や、Bosonをクレジットするポッドキャスターに向いています。企業は重みを100万文字あたり$15のAPIの無料試用と考え、同じ価格のFish Audioと比べるべきです。
真価を発揮する場面
大学研究室の音声研究者
ASRベンチマーク用に、リソースの少ない言語のテスト音声を作りたい
SGLang-Omniで重みを動かし、Bosonが誤り率1桁とする102言語でプロンプトを生成します。研究用途は無料で、論文で結果やサンプルを公開することもライセンスで認められています。
英語とスペイン語で週1回番組を配信する個人ポッドキャスター
台本の指定どおりに笑い声や間を入れて広告や各コーナーを読みたい
Creator Use Grantは、番組ノートでBoson AIのHiggs Audioをクレジットすれば、自分の収益化チャンネルをカバーします。笑い声や長い間などのタグは台本にそのまま書き込みます。
電話エージェント用の音声を評価するカスタマーサービス基盤
契約前に多言語のエージェント音声を試したい
社内評価は重みで行えますが、本番には100万文字あたり$15のAPIが必要で、月2,000万文字なら約$300です。
導入前に確認すること
- 導入
- SGLang-OmniのDockerイメージを取得し、Hugging Faceのトークンで重みをダウンロードしてsgl-omni serveを起動します。リクエストは/v1/audio/speechに送ります。参照クリップの書き起こしを渡すとクローンの精度が上がります。
- 連携
- 連続バッチ処理対応のSGLang-Omni、Hugging Face Transformers、ブロッキング生成とストリーミング生成に対応したBoson API、ブラウザで使えるBoson Workspace。
- データとプライバシー
- 自前でホストすれば音声は手元に残ります。ライセンスは、明示的で検証可能な同意のないクローンと、透かしや出所情報の除去を禁じ、配布者やホスティング事業者に対してBosonが年1回まで監査を求めることを認めています。
- 大規模利用時のコスト
- Boson APIは入力100万文字あたり$15で、生成音声は別料金にならず、スタイルの説明も入力に数えられます。商用の自前ホスティングの価格は公開されていません。
- 制限
- 学習時のシーケンス長は8,192トークンです。17言語は誤り率5%から10%の帯にあり、H100では同時実行数が1から16に増えるとレイテンシが617 msから1,079 msに上がります。
良い点
- MiniMaxテストの32言語で平均誤り率2.74%、Bosonの表で最低
- 21種類の感情、スタイル、間、効果音のインラインタグ
- SGLang-OmniでH100 1枚、1リクエストあたり平均レイテンシ617 ms
- 高リスク用途の記録保管を含む明確な同意ルール
気になる点
- 商用ライセンスがなければ重みを製品に使えない
- Artificial Analysisのアリーナで104モデル中78位、Elo 1,039
- 出力を他の音声モデルの学習に使えない
- 必要なVRAMが非公開
おすすめの人
多くの言語で正確かつ表現豊かな音声が欲しい研究者や個人クリエイター、そして購入前にBoson APIを試す企業。
Higgs TTS 3の代替
Higgs TTS 3：よくある質問
- Higgs TTS 3は使う価値があるか？
- Higgs TTS 3はBoson自身の多言語テストで最も低い誤り率を記録しますが、Artificial Analysisの聴取者の評価は中位で、ライセンス上製品には使えません。 評価は5点満点中3.8点です。
- Higgs TTS 3の料金は？
- 重みは研究、非商用利用、クレジット表記のあるクリエイターチャンネルなら無料で、製品には商用ライセンスが必要です。Boson APIは100万文字あたり$15、試用クレジットは$10です。
- Higgs TTS 3の欠点は？
- 商用ライセンスがなければ重みを製品に使えない; Artificial Analysisのアリーナで104モデル中78位、Elo 1,039; 出力を他の音声モデルの学習に使えない; 必要なVRAMが非公開.
- Higgs TTS 3は誰に向いているか？
- 多くの言語で正確かつ表現豊かな音声が欲しい研究者や個人クリエイター、そして購入前にBoson APIを試す企業。
- チームや本番環境でHiggs TTS 3を使うと費用はいくらか？
- Boson APIは入力100万文字あたり$15で、生成音声は別料金にならず、スタイルの説明も入力に数えられます。商用の自前ホスティングの価格は公開されていません。
- Higgs TTS 3は企業データを扱っても安全か？
- 自前でホストすれば音声は手元に残ります。ライセンスは、明示的で検証可能な同意のないクローンと、透かしや出所情報の除去を禁じ、配布者やホスティング事業者に対してBosonが年1回まで監査を求めることを認めています。
- Higgs TTS 3の代わりになるものは？
- 当サイトでレビューした中で最も近い代替はFish Audio Drama 3, OmniVoice, VoxCPM2 、 Qwen3-TTSです。
回答確認日：2026年11月7日