ZONOS3-Mini против Drama 3: какая новая открытая TTS-модель?

ZONOS3-Mini — модель Apache 2.0 на 800M для 43 языков, работает в браузере. Drama 3 — модель 36B для 83 языков, бесплатна только при выручке до 500 тыс. долларов.

  • Обновлено

Вердикт. Выбирайте по размеру и лицензии. У ZONOS3-Mini 800M параметров с примерно 100M активными, 43 языка, управление акцентом, возрастом, эмоцией и выделением отдельных слов, и чистые веса Apache 2.0; Zyphra поставляет рантаймы, которые запускают его в браузере, на Apple Silicon или на CPU. У Drama 3 36B параметров с примерно 3B активными, 83 языка, режиссёрские указания прямо в тексте вроде [whispering], до 16 тегов говорящих в одном сценарии, но главный чекпоинт весит 41.5 ГБ, а Fish Audio Community License бесплатна для коммерции только при годовой выручке ниже 500 тыс. долларов и никогда не покрывает хостинговый голосовой сервис. Каждое заявление о качестве исходит из бенчмарка самого вендора: Zyphra ставит ZONOS3-Mini на первое место среди открытых моделей в своём собственном индексе, а Fish Audio сообщает 93.2% на бенчмарке произносительной устойчивости Artificial Analysis — эти два заявления несравнимы. Обе модели клонируют голоса, поэтому сначала получите согласие говорящего.

Характеристики

Характеристики ZONOS3-MiniDrama 3
РазработчикZyphraFish Audio
Дата выпуска9 ноября 2026 г.13 октября 2026 г.
Всего параметров800M (ZONOS3-Mini)35.9B (Drama 3)
Активные параметры100M3B
АрхитектураСмесь экспертовСмесь экспертов
Контекстное окно––
ВходТекст, АудиоТекст, Аудио
Лицензия Apache 2.0 (Пермиссивная) Fish Audio Community 1.0 (С условиями)
Память для минимального варианта (4 бита)10 GB (ZONOS3-Mini)25 GB (Drama 3 INT4 (hybrid W4A16, unofficial quantization))

Заявления о производительности поступают от разработчика и не проверялись независимо.

Выбирайте ZONOS3-Mini, если

  • Вам нужны чистые веса Apache 2.0 без потолка выручки, в том числе для хостингового голосового сервиса.
  • Вам нужно запускать на ноутбуке, телефоне или в браузере: Zyphra поставляет рантаймы WebGPU, MLX и C++, а веса языковой модели занимают 1.8 ГБ в BF16.
  • Вам нужен тонкий контроль подачи: акцент, возраст, эмоция и выделение отдельных слов, плюс модель редактирования, переписывающая часть готового предложения.
  • Вас устраивают 43 языка и то, что нормализация текста есть только для девяти из них.

Выбирайте Drama 3, если

  • Вам нужны 83 языка или разыгранные сцены с до 16 говорящими в одном сценарии.
  • Вам нужны указания в тексте вроде [whispering] или [laughs], которые можно писать на языке, отличном от самой реплики.
  • По нашей оценке, у вас есть GPU примерно на 48 ГБ для FP8-сборки или примерно на 25 ГБ для неофициальной INT4-сборки.
  • Ваш бизнес зарабатывает меньше 500 тыс. долларов в год, и вы используете модель для своего контента или продукта, а не как голосовой сервис для других.

ZONOS3-Mini · Drama 3