ZONOS3-Mini vs Drama 3: qual novo modelo TTS aberto?

ZONOS3-Mini é um modelo Apache 2.0 de 800M para 43 idiomas que roda no navegador. Drama 3 é um modelo de 36B para 83 idiomas, grátis só abaixo de 500 mil USD de receita.

  • Atualizado

Veredito. Escolha pelo tamanho e pela licença. O ZONOS3-Mini tem 800M parâmetros com cerca de 100M ativos, 43 idiomas, controles de sotaque, idade, emoção e ênfase em palavras isoladas, e pesos Apache 2.0 puros, e a Zyphra distribui runtimes que o executam em navegador, no Apple Silicon ou em CPU. O Drama 3 tem 36B parâmetros com cerca de 3B ativos, 83 idiomas, indicações escritas no texto como [whispering], e até 16 tags de falante em um único roteiro, mas o checkpoint principal tem 41.5 GB e a Fish Audio Community License é grátis para uso comercial só abaixo de 500 mil dólares anuais e nunca cobre um serviço de voz hospedado. A alegação de qualidade de cada fornecedor vem do próprio benchmark: a Zyphra coloca o ZONOS3-Mini em primeiro entre os modelos abertos no seu próprio índice, e a Fish Audio reporta 93.2% no benchmark de robustez de pronúncia da Artificial Analysis, então as duas alegações não podem ser comparadas. Ambos clonam vozes, então obtenha o consentimento do falante primeiro.

Especificações

Especificações ZONOS3-MiniDrama 3
DesenvolvedorZyphraFish Audio
Lançamento9 de novembro de 202613 de outubro de 2026
Total de parâmetros800M (ZONOS3-Mini)35.9B (Drama 3)
Parâmetros ativos100M3B
ArquiteturaMistura de especialistas (MoE)Mistura de especialistas (MoE)
Janela de contexto––
EntradaTexto, ÁudioTexto, Áudio
Licença Apache 2.0 (Permissiva) Fish Audio Community 1.0 (Condicional)
Memória para a menor variante (4 bits)10 GB (ZONOS3-Mini)25 GB (Drama 3 INT4 (hybrid W4A16, unofficial quantization))

As afirmações de desempenho vêm do desenvolvedor e não foram verificadas de forma independente.

Escolha ZONOS3-Mini se

  • Você quer pesos Apache 2.0 puros sem teto de receita, inclusive para um serviço de voz hospedado.
  • Você precisa rodar em notebook, celular ou navegador: a Zyphra distribui runtimes WebGPU, MLX e C++, e os pesos do modelo de linguagem têm 1.8 GB em BF16.
  • Você quer controle fino da entrega: sotaque, idade, emoção e ênfase em palavras isoladas, mais um modelo de edição que reescreve parte de uma frase pronta.
  • Você aceita 43 idiomas, e normalização de texto para apenas nove deles.

Escolha Drama 3 se

  • Você precisa de 83 idiomas, ou de cenas encenadas com até 16 falantes em um roteiro.
  • Você quer indicações no texto, como [whispering] ou [laughs], que podem ser escritas em idioma diferente da fala em si.
  • Pela nossa estimativa, você tem uma GPU de uns 48 GB para a build FP8, ou de uns 25 GB para a build INT4 não oficial.
  • Sua empresa ganha menos de 500 mil dólares por ano e usa o modelo para conteúdo ou produto próprio, não como serviço de voz para outros.

ZONOS3-Mini · Drama 3