ZONOS3-Mini vs. Drama 3: welches neue offene TTS-Modell?
ZONOS3-Mini ist ein Apache-2.0-Modell mit 800M für 43 Sprachen, das im Browser läuft. Drama 3 ist ein 36B-Modell für 83 Sprachen, kostenlos erst unter 500 Tsd. US-Dollar Umsatz.
Fazit. Wählen Sie nach Größe und Lizenz. ZONOS3-Mini hat 800M Parameter mit rund 100M aktiv, 43 Sprachen, Regler für Akzent, Alter, Emotion und Betonung einzelner Wörter und reine Apache-2.0-Gewichte, und Zyphra liefert Runtimes, die es im Browser, auf Apple Silicon oder auf einer CPU ausführen. Drama 3 hat 36B Parameter mit rund 3B aktiv, 83 Sprachen, in den Text geschriebene Regieanweisungen wie [whispering] und bis zu 16 Sprecher-Tags in einem Skript, aber sein Haupt-Checkpoint ist 41.5 GB groß, und die Fish Audio Community License ist nur unter 500.000 US-Dollar Jahresumsatz kommerziell frei und deckt einen gehosteten Voice-Service niemals ab. Jede Qualitätsangabe stammt aus dem Benchmark des Anbieters selbst: Zyphra platziert ZONOS3-Mini in seinem eigenen Index auf Platz eins der offenen Modelle, und Fish Audio meldet 93.2 % auf Artificial Analysis' Pronunciation-Robustness-Benchmark – die beiden Angaben sind also nicht vergleichbar. Beide klonen Stimmen: Holen Sie zuerst die Einwilligung der Sprecherin oder des Sprechers ein.
Spezifikationen
| Spezifikationen | ZONOS3-Mini | Drama 3 |
|---|---|---|
| Entwickler | Zyphra | Fish Audio |
| Erscheinungsdatum | 9. November 2026 | 13. Oktober 2026 |
| Parameter insgesamt | 800M (ZONOS3-Mini) | 35.9B (Drama 3) |
| Aktive Parameter | 100M | 3B |
| Architektur | Mixture of Experts (MoE) | Mixture of Experts (MoE) |
| Kontextfenster | – | – |
| Eingabe | Text, Audio | Text, Audio |
| Lizenz | Apache 2.0 (Permissiv) | Fish Audio Community 1.0 (Bedingt) |
| Speicher für die kleinste Variante (4 Bit) | 10 GB (ZONOS3-Mini) | 25 GB (Drama 3 INT4 (hybrid W4A16, unofficial quantization)) |
Leistungsangaben stammen vom Entwickler und wurden nicht unabhängig überprüft.
Wählen Sie ZONOS3-Mini, wenn
- Sie wollen reine Apache-2.0-Gewichte ohne Umsatzdeckel, auch für einen gehosteten Voice-Service.
- Sie müssen es auf einem Laptop, einem Telefon oder im Browser betreiben: Zyphra liefert WebGPU-, MLX- und C++-Runtimes, und die Sprachmodell-Gewichte sind 1.8 GB in BF16.
- Sie wollen feine Kontrolle über den Vortrag: Akzent, Alter, Emotion und Betonung einzelner Wörter, plus ein Editiermodell, das einen Teil eines fertigen Satzes umschreibt.
- Sie können mit 43 Sprachen leben und damit, dass die Textnormalisierung nur für neun davon existiert.
Wählen Sie Drama 3, wenn
- Sie brauchen 83 Sprachen, oder gespielte Szenen mit bis zu 16 Sprechern in einem Skript.
- Sie wollen Regieanweisungen im Text, wie [whispering] oder [laughs], die in einer anderen Sprache als der Text selbst stehen dürfen.
- Nach unserer Schätzung haben Sie eine GPU mit rund 48 GB für den FP8-Build, oder rund 25 GB für den inoffiziellen INT4-Build.
- Ihr Unternehmen verdient unter 500.000 US-Dollar im Jahr, und Sie nutzen das Modell für eigene Inhalte oder Produkte, nicht als Voice-Service für andere.