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.

  • Aktualisiert

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-MiniDrama 3
EntwicklerZyphraFish Audio
Erscheinungsdatum9. November 202613. Oktober 2026
Parameter insgesamt800M (ZONOS3-Mini)35.9B (Drama 3)
Aktive Parameter100M3B
ArchitekturMixture of Experts (MoE)Mixture of Experts (MoE)
Kontextfenster––
EingabeText, AudioText, 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.

ZONOS3-Mini · Drama 3