ZONOS3-Mini vs Drama 3: ¿qué modelo TTS abierto nuevo?
ZONOS3-Mini es un modelo Apache 2.0 de 800M para 43 idiomas que corre en el navegador. Drama 3 es un modelo de 36B para 83 idiomas, gratis solo bajo 500 mil USD de ingresos.
Veredicto. Elige por tamaño y licencia. ZONOS3-Mini tiene 800M parámetros con unos 100M activos, 43 idiomas, controles de acento, edad, emoción y énfasis en palabras sueltas, y pesos Apache 2.0 puros, y Zyphra distribuye runtimes que lo ejecutan en un navegador, en Apple Silicon o en una CPU. Drama 3 tiene 36B parámetros con unos 3B activos, 83 idiomas, indicaciones escritas en el texto como [whispering], y hasta 16 etiquetas de hablante en un solo guion, pero su checkpoint principal pesa 41.5 GB y la Fish Audio Community License es gratis para uso comercial solo bajo 500.000 USD anuales y nunca cubre un servicio de voz alojado. La afirmación de calidad de cada proveedor sale de su propio benchmark: Zyphra coloca a ZONOS3-Mini primero entre los modelos abiertos en su propio índice, y Fish Audio reporta 93.2% en el benchmark de robustez de pronunciación de Artificial Analysis, así que ambas afirmaciones no son comparables. Ambos clonan voces, así que consigue primero el consentimiento del hablante.
Especificaciones
| Especificaciones | ZONOS3-Mini | Drama 3 |
|---|---|---|
| Desarrollador | Zyphra | Fish Audio |
| Lanzamiento | 9 de noviembre de 2026 | 13 de octubre de 2026 |
| Parámetros totales | 800M (ZONOS3-Mini) | 35.9B (Drama 3) |
| Parámetros activos | 100M | 3B |
| Arquitectura | Mezcla de expertos (MoE) | Mezcla de expertos (MoE) |
| Ventana de contexto | – | – |
| Entrada | Texto, Audio | Texto, Audio |
| Licencia | Apache 2.0 (Permisiva) | Fish Audio Community 1.0 (Condicional) |
| Memoria de la variante más pequeña (4 bits) | 10 GB (ZONOS3-Mini) | 25 GB (Drama 3 INT4 (hybrid W4A16, unofficial quantization)) |
Las afirmaciones de rendimiento provienen del desarrollador y no se han verificado de forma independiente.
Elige ZONOS3-Mini si
- Quieres pesos Apache 2.0 puros sin tope de ingresos, incluso para un servicio de voz alojado.
- Necesitas correrlo en un portátil, un teléfono o el navegador: Zyphra distribuye runtimes WebGPU, MLX y C++, y los pesos del modelo de lenguaje son 1.8 GB en BF16.
- Quieres control fino de la dicción: acento, edad, emoción y énfasis en palabras sueltas, más un modelo de edición que reescribe parte de una frase ya generada.
- Puedes conformarte con 43 idiomas, y con normalización de texto para solo nueve de ellos.
Elige Drama 3 si
- Necesitas 83 idiomas, o escenas interpretadas con hasta 16 hablantes en un solo guion.
- Quieres indicaciones en el texto, como [whispering] o [laughs], que pueden escribirse en otro idioma distinto al de la línea.
- Según nuestra estimación, tienes una GPU de unos 48 GB para la build FP8, o de unos 25 GB para la build INT4 no oficial.
- Tu negocio ingresa menos de 500.000 USD al año y usas el modelo para tu propio contenido o producto, no como servicio de voz para otros.