ZONOS3-Mini
紧凑的 8 亿参数混合专家声音克隆模型,激活参数 1 亿。Apache 2.0,支持 43 种语言,可在浏览器标签页里运行。
一句话概括. ZONOS3-Mini 能用 43 种语言朗读文字,还能用一小段录音复制声音。Zyphra 称它小到可以在笔记本或手机上实时运行,甚至不需要服务器,直接在网页浏览器里就行。权重采用 Apache 2.0,可以用在产品里,但克隆别人的声音仍然要得到本人的许可。
概述
ZONOS3-Mini 是旧金山 AI 实验室 Zyphra 的文字转语音模型,于 2026 年 11 月 9 日以 Apache 2.0 许可证发布。它支持 43 种语言,可以用最长 60 秒的参考音频或已存储的说话人嵌入来克隆声音。Zyphra 把它设计成能在手机和笔记本上实时运行,包括通过 WebGPU 在浏览器标签页里运行。
它是混合专家模型,总参数 8 亿,每个 token 约激活 1 亿。共 11 层,隐藏维度 1024,采用有 64 个专家、每个 token 选 2 个的隐空间混合专家,序列混合层以 3 比 1 的比例混合 Gated DeltaNet 和全局注意力层。语言模型以每秒 15 帧预测 Zyphra 自研编解码器 ZAC-1 的音频帧,编解码器有十个码本(一个语义、九个声学),因果解码器边生成边渲染出 44.1 kHz 的音频。单次生成最长可达 10 分钟。Zyphra 称模型在 112 块 NVIDIA H100 上训练了 2.5 天,后训练先用偏好优化,再用 GRPO。除克隆之外,它还有年龄、性别、口音和音色的控制,能精确到单个词的语速、情绪和表达方式引导,以及一个可以改写已生成句子中一部分的编辑模型。
Zyphra 报告在一块 H100 上 8 路并发时,首个音频的中位时间为 80 ms,峰值吞吐为每秒 457 秒音频。在浏览器里,它报告在 Pixel 9 上低于 570 ms,在 M3 MacBook Air 上低于 150 ms。在它自己的 Zyphra TTS Capability Index 上(基于覆盖 55 个语言子集的 ZTTS2-Eval 基准),ZONOS3-Mini 在开放模型中排名第一,领先于 Fish Audio S2 Pro 和 MOSS TTS v1.5。这个基准和指数都是 Zyphra 自己的。语言模型权重以 BF16 计为 1.8 GB,CUDA 服务器需要的 PyTorch 权重(含音频编解码器)约 9 GB。Zyphra 提供了面向 NVIDIA GPU 的 SGLang-Omni、面向 Apple Silicon 的 MLX、面向 CPU、CUDA、Metal 和 Vulkan 的 C++ ggml 服务器,以及面向浏览器的 WebGPU 运行时,同时也在 Zyphra Cloud 上提供托管版本。
适合做什么
- 在笔记本或手机上做多语言的声音克隆和旁白,包括完全在浏览器里运行、不需要服务器
- 需要可控表达的游戏和助手,比如口音、年龄、情绪和单个词的强调
- 在服务器 GPU 上做流式语音,首个音频时间很短(Zyphra 自己的测量)
- 需要权重采用简明 Apache 2.0 条款的产品
需要注意
- 未经许可克隆真人的声音可能违法或有害,Apache 2.0 许可证不会改变这一点
- 质量排名来自 Zyphra 自己的基准,选用前请用你的语言和声音试听
- 文本规范化只覆盖九种语言,其他语言按原样输入,所以数字和缩写可能读得不对
- Hugging Face 仓库因为包含训练文件而有约 31 GB,每种运行时只需要其中特定的文件(GGUF 或网页分片)
- 它在 2026 年 11 月 9 日才发布,还没有太多使用记录
性能数据来自开发方,未经独立验证。
需要多少内存?
以下是 ZONOS3-Mini 各版本的内存数据。图像、视频、语音和音乐管线还要加载文本编码器和解码器,所以所需内存可能比主检查点更大。
| 版本 | 参数量 | 下载大小 | 所需内存 | 可运行于 |
|---|---|---|---|---|
| ZONOS3-Mini BF16 | 800M 激活 100M | 9 GB | 10 GB | 笔记本或手机 |
下载大小包含运行模型所需的全部组件,例如生成器、文本编码器和解码器。所需内存优先采用开发方声明或已公开的实测最低值;没有时按下载大小加约 15% 估算。更大的图像、更长的片段和更高的分辨率需要更多内存。
许可证,用大白话说
最常见的宽松型许可证之一。你可以使用、修改模型并基于它销售产品,只需遵守少量条件。
延伸阅读
- ZONOS3-Mini 与 Drama 3 对比:该选哪个新的开源文字转语音模型?
- 最佳开源语音模型:语音转文字与文字转语音
- 2026 年最佳开源文字转语音(TTS)模型
- 开放语音模型:转写很开放,文字转语音则参差不齐
- 在 CPU 上就能运行的小型文字转语音模型:四个开放选项对比
- ZONOS3-Mini:支持 43 种语言、能在浏览器里运行的开源 TTS
常见问题
- ZONOS3-Mini 是什么?
- ZONOS3-Mini 能用 43 种语言朗读文字,还能用一小段录音复制声音。Zyphra 称它小到可以在笔记本或手机上实时运行,甚至不需要服务器,直接在网页浏览器里就行。权重采用 Apache 2.0,可以用在产品里,但克隆别人的声音仍然要得到本人的许可。
- ZONOS3-Mini 可以商用吗?
- 可以。ZONOS3-Mini 采用 Apache 2.0 发布,这是一种宽松许可证。只要遵守常规条件(例如保留许可证声明),就可以商用。
- ZONOS3-Mini 是开源的吗?
- ZONOS3-Mini 采用 Apache 2.0 发布,该许可证经开源促进会(OSI)认可。训练数据和训练代码不一定公开,因此更准确的说法是“采用开源许可证的开放权重模型”。
- 我能在自己的电脑上运行 ZONOS3-Mini 吗?
- 可以。最小版本 ZONOS3-Mini 在 4 位精度下约需 10 GB 内存,现代笔记本或中端显卡即可胜任。
- ZONOS3-Mini 是什么时候发布的?
- ZONOS3-Mini 由 Zyphra 于 2026年11月9日 发布。
官方链接
来源
规格数据来自以下一手资料。文中提到的基准测试结果由开发方自报。
- ZONOS3-Mini (Zyphra blog, 9 Nov 2026) zyphra.com
- ZONOS3-Mini model card (Hugging Face) huggingface.co
- ZONOS3-Mini runtimes and README (GitHub) github.com
- ZTTS2-Eval benchmark (Zyphra) zyphra.github.io
发布时间等信息最近核实于 2026年11月11日。
相关模型
| 模型 | 发布时间 | 参数量 | 上下文 | 许可证 | 最小版本所需内存 |
|---|---|---|---|---|---|
| Drama 3 Fish Audio | 35.9B 激活 3B | – | Fish Audio Community 1.0 (附条件) | 25 GB 游戏显卡 | |
| Pocket TTS Kyutai | 18M – 100M | – | CC BY 4.0 (宽松) | 0.127 GB 笔记本或手机 | |
| Qwen3-TTS Alibaba Qwen | 910M – 1.92B | – | Apache 2.0 (宽松) | 3.68 GB 笔记本或手机 | |
| VoxCPM2 OpenBMB | 2.29B | – | Apache 2.0 (宽松) | 8 GB 笔记本或手机 |