李沐团队发布语音模型新杀器：111种语言、零样本克隆、实时对话！

AI说话的时代，终于不用等它把整句话读完了。

就在几天前，李沐联合创立的Boson AI发布Higgs Audio v3 TTS，直接接入SGLang推理框架。这个模型最狠的地方：不用等完整句子出现，拿到几个字就能开始合成语音，而且前后音色、情绪、语速完全一致。

一、111种语言，个位数错误率

传统TTS做多语言，翻车是常态。

Higgs Audio v3覆盖111种语言和方言，100种语言上的语音识别错误率全部达到个位数。更狠的是零样本声音克隆——给一段短参考音频，就能复现目标音色，还能跨语言迁移。

也就是说，你说中文的声音，可以直接用来合成英文、日文、法文。

二、情绪、风格、音效，全靠文本控制

开发者直接在文本里写控制标记就行。

20多种情绪随意切换，说话风格、语速、音高、停顿，甚至环境音效，全部在一段文本流里搞定。不用分开调用不同接口，一个模型全包。

三、为什么需要SGLang-Omni？

传统推理框架只管一个解码循环。但Higgs这类新模型有多个计算阶段——有的像自回归解码，有的像轻量级计算，有的要实时接收文本输出音频。

SGLang-Omni从系统层面对多阶段流程统一调度，每个阶段按自己的计算特性运行，显存隔离、通信解耦、进程拓扑统一管理。

单张H100上，生成速度已经超过音频播放速度。

四、这意味着什么？

语音智能体、数字人、多语言AI Agent，这些场景的核心瓶颈一直是延迟和自然度。Higgs Audio v3把这两个问题同时解决了。

加上SGLang的开源推理生态，开发者现在就能用几行代码把语音能力接进自己的系统。

当AI不仅能听懂你，还能用你的声音实时回应你，人机交互的边界又往前推了一大步。

你觉得，语音AI最先颠覆的会是哪个行业？