ZONOS3-Mini 与 Drama 3 对比:该选哪个新的开源文字转语音模型?
ZONOS3-Mini 是 8 亿参数的 Apache 2.0 模型,支持 43 种语言,可在浏览器里运行;Drama 3 是 360 亿参数模型,支持 83 种语言,仅年营收低于 50 万美元时可免费商用。
结论. 先看规模和许可证。ZONOS3-Mini 总参数 8 亿、激活约 1 亿,支持 43 种语言,可以控制口音、年龄、情绪,也能强调单个词,权重是朴素的 Apache 2.0;Zyphra 提供的运行时能让它在浏览器、Apple Silicon 或 CPU 上运行。Drama 3 总参数 360 亿、激活约 30 亿,支持 83 种语言,可以在文本里写 [whispering] 这样的指令,一份剧本最多带 16 个说话人标签,但它的主检查点有 41.5 GB,Fish Audio Community License 只在年营收低于 50 万美元时免费商用,且任何规模下都不允许提供托管语音服务。两家的质量说法都来自各自的基准:Zyphra 在自己的指数上把 ZONOS3-Mini 排在开源模型第一,Fish Audio 则报告在 Artificial Analysis 的发音稳健性基准上得分 93.2%,所以这两种说法无法互相比较。两者都能克隆声音,请先取得说话人的同意。
规格
| 规格 | ZONOS3-Mini | Drama 3 |
|---|---|---|
| 开发方 | Zyphra | Fish Audio |
| 发布时间 | 2026年11月9日 | 2026年10月13日 |
| 总参数量 | 800M (ZONOS3-Mini) | 35.9B (Drama 3) |
| 激活参数量 | 100M | 3B |
| 架构 | 混合专家(MoE) | 混合专家(MoE) |
| 上下文窗口 | – | – |
| 输入 | 文本, 音频 | 文本, 音频 |
| 许可证 | Apache 2.0 (宽松) | Fish Audio Community 1.0 (附条件) |
| 最小版本所需内存(4 位) | 10 GB (ZONOS3-Mini) | 25 GB (Drama 3 INT4 (hybrid W4A16, unofficial quantization)) |
性能数据来自开发方,未经独立验证。
选 ZONOS3-Mini 的情况
- 你想要没有营收上限的朴素 Apache 2.0 权重,包括用于托管语音服务。
- 你需要在笔记本、手机或浏览器里运行:Zyphra 提供 WebGPU、MLX 和 C++ 运行时,语言模型权重在 BF16 下只有 1.8 GB。
- 你想精细控制表达:口音、年龄、情绪和对单个词的强调,还有可以改写已生成句子一部分的编辑模型。
- 你可以接受 43 种语言,以及只有九种语言有文本规范化。
选 Drama 3 的情况
- 你需要 83 种语言,或者在一份剧本里让最多 16 个说话人演绎场景。
- 你想在文本里写 [whispering]、[laughs] 这样的指令,指令的语言还可以和正文不同。
- 按我们的估算,你有约 48 GB 显存的 GPU 来跑 FP8 版本,或约 25 GB 来跑非官方的 INT4 版本。
- 你的企业年营收低于 50 万美元,而且是用于自己的内容或产品,而不是给他人提供语音服务。