Zyphra 在 11 月 12 日的官方博文中发布了 ZONOS3-Mini,定位为可本地实时运行的开源文本转语音(TTS)模型,支持零样本语音克隆,以及语种、情绪、语速和音色方面的控制。官方模型页标注的发布日期是 11 月 9 日。权重以 Apache 2.0 许可放在 Hugging Face,推理运行时和参考代码以 MIT 许可放在 GitHub。

关于模型规模,几份官方材料并不完全一致:Zyphra 模型页和技术报告写总参数为 886M、激活约 1 亿;Hugging Face 博文则写总参数约 8 亿、激活 1 亿。博文还介绍,这是稀疏 MoE,搭配自研的 15 Hz 双音频编解码器 ZAC-1,官方称支持 43 种语言。训练方面,官方写的是用 112 张 NVIDIA H100,耗时 2.5 天。

延迟数字来自官方测试:在 Pixel 9 的浏览器里,首包音频小于 570 毫秒;在 M3 MacBook Air 上小于 150 毫秒;单卡 H100 上中位首包为 80 毫秒,峰值吞吐官方写为 457 倍实时。官方同时发布了评测集 ZTTS2-Eval,并称在其自建的 TTS Capability Index 上,ZONOS3-Mini 在开源权重模型中排第一。这些都是官方评测,不是第三方复测。

本地可以走官方提供的 SGLang-Omni、Apple Silicon MLX、C++/ggml 以及浏览器 WebGPU 等运行时,Hugging Face 上也有可在线试用的 Space。Zyphra 还提供云端推理接口。

出处: