Higgs Audio V2-开源语音大模型，能模拟多人互动场景
文章来源：智汇AI 发布时间：2025-08-13
Higgs Audio V2 是李沐及其团队 Boson AI 开发的开源语音大模型。基于超过1000万小时的音频数据训练而成，具备多语言对话生成、自动韵律调整
暂无访问Higgs Audio V2是什么
Higgs Audio V2 是李沐及其团队 Boson AI 开发的开源语音大模型。基于超过1000万小时的音频数据训练而成，具备多语言对话生成、自动韵律调整、语音克隆和歌声合成等功能。模型能模拟自然流畅的多人对话，自动匹配说话者的情绪和语调，支持低延迟的实时语音交互。支持零样本语音克隆，用户只需提供简短语音样本，即可复制特定人物的声音特征，可以合成歌声。Higgs Audio V2 能同时生成语音和背景音乐，为音频内容创作提供强大支持。
Higgs Audio V2的主要功能
多语言对话生成：支持多语言对话生成，能模拟多人互动场景，自动匹配说话者的情绪和能量水平，使对话自然流畅。自动韵律调整：在长文本朗读中，能根据内容自动调整语速、停顿和语调，无需人工干预，生成自然流畅的语音。语音克隆与歌声合成：用户只需提供简短的语音样本，模型即可实现零样本语音克隆，复制特定人物的声音特征，能让克隆的声音哼唱旋律。实时语音交互：支持低延迟响应，能理解用户情绪并做出情感化表达，提供接近人类的交互体验。语音与背景音乐同步生成：能同时生成语音和背景音乐，实现“写一首歌并唱出来”的创作流程。Higgs Audio V2的技术原理
AudioVerse 数据集：开发了一套自动化标注流程，结合多个语音识别模型、声音事件分类模型以及自研的音频理解模型，清洗并标注了 1000 万小时的音频数据。相关推荐
