ZONOS3-Mini vs Drama 3:どちらの新しいオープン TTS モデル?
ZONOS3-Mini は 43 言語対応の 800M Apache 2.0 モデルで、ブラウザで動きます。Drama 3 は 83 言語対応の 36B モデルで、年商 50 万米ドル未満のみ無料。
結論. サイズとライセンスで選びましょう。ZONOS3-Mini は 800M パラメータ(活性約 100M)、43 言語、単語単位のアクセント・年齢・感情・強調の制御を備え、重みはプレーンな Apache 2.0。Zyphra はブラウザ、Apple Silicon、CPU で動くランタイムを出荷しています。Drama 3 は 36B パラメータ(活性約 3B)、83 言語、[whispering] のようなテキストに書き込む演出指示、1 つの台本で最大 16 の話者タグに対応しますが、メインチェックポイントは 41.5 GB あり、Fish Audio Community License は年商 50 万米ドル未満の商用利用のみ無料で、ホスト型音声サービスは一切対象外です。品質の主張は各社のベンチマークに基づきます。Zyphra は自社インデックスで ZONOS3-Mini をオープンモデル首位に、Fish Audio は Artificial Analysis の発音堅牢性ベンチマークで 93.2% を報告しており、この 2 つの主張は比較できません。どちらも声をクローンするので、まず話者の同意を得てください。
仕様
| 仕様 | ZONOS3-Mini | Drama 3 |
|---|---|---|
| 開発元 | Zyphra | Fish Audio |
| リリース日 | 2026年11月9日 | 2026年10月13日 |
| 総パラメータ数 | 800M (ZONOS3-Mini) | 35.9B (Drama 3) |
| アクティブパラメータ数 | 100M | 3B |
| アーキテクチャ | エキスパート混合(MoE) | エキスパート混合(MoE) |
| コンテキストウィンドウ | – | – |
| 入力 | テキスト, 音声 | テキスト, 音声 |
| ライセンス | Apache 2.0 (パーミッシブ) | Fish Audio Community 1.0 (条件付き) |
| 最小バリエーションの必要メモリ(4ビット) | 10 GB (ZONOS3-Mini) | 25 GB (Drama 3 INT4 (hybrid W4A16, unofficial quantization)) |
性能に関する主張は開発元によるもので、独自検証は行っていません。
ZONOS3-Mini を選ぶべきケース
- 売上上限のないプレーンな Apache 2.0 の重みが欲しい場合。ホスト型音声サービスも含まれます。
- ノート PC、スマホ、ブラウザで動かす必要がある場合。Zyphra は WebGPU、MLX、C++ ランタイムを提供し、言語モデルの重みは BF16 で 1.8 GB です。
- 抑揚を細かく制御したい場合。アクセント、年齢、感情、単語の強調に加え、生成済み文の一部を書き直す編集モデルがあります。
- 43 言語と、テキスト正規化が 9 言語のみという制限を受け入れられる場合。
Drama 3 を選ぶべきケース
- 83 言語が必要、または 1 つの台本で最大 16 話者の演技シーンを作りたい場合。
- [whispering] や [laughs] のようなテキスト内の指示が欲しい場合。指示は台詞本体と別の言語で書けます。
- 当サイトの見積もりで、FP8 版には約 48 GB、非公式 INT4 版には約 25 GB の GPU を持っている場合。
- 事業の年商が 50 万米ドル未満で、他人向けの音声サービスではなく自社のコンテンツや製品に使う場合。