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.
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-Mini | Drama 3 |
|---|---|---|
| Desenvolvedor | Zyphra | Fish Audio |
| Lançamento | 9 de novembro de 2026 | 13 de outubro de 2026 |
| Total de parâmetros | 800M (ZONOS3-Mini) | 35.9B (Drama 3) |
| Parâmetros ativos | 100M | 3B |
| Arquitetura | Mistura de especialistas (MoE) | Mistura de especialistas (MoE) |
| Janela de contexto | – | – |
| Entrada | Texto, Áudio | Texto, 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.