Zyphra 11 月 9 日发布了 ZONOS3-Mini，一个小巧的开源文本转语音模型，权重按 Apache 2.0 协议放出。它是稀疏 MoE 架构，总参数 8 亿、每次推理只激活约 1 亿，官方称在 112 块英伟达 H100 上只训了 2.5 天。
小是这款模型最大的卖点：它能直接在设备上实时运行。浏览器里走 WebGPU，不用安装、不用服务器，Pixel 9 上首音不到 570 毫秒，M3 MacBook Air 上不到 150 毫秒；服务端有 SGLang 与 vLLM 支持，原生运行时覆盖 C++/GGML 与苹果 MLX，手机、笔记本、服务器都能跑。
能力上，ZONOS3-Mini 支持零样本语音克隆，也能按年龄、口音、音色从头设计一个角色声音，还能逐词控制表达：耳语、情绪、语速、投射感、活泼度都可以只作用于指定的几个词。输出为 44.1kHz 音频，覆盖中文、英语、日语、韩语、德语、西班牙语、法语、意大利语、葡萄牙语 9 种语言，内置 27 个默认音色；官方还同步放出了一个语音编辑模型，可以用同样的控制方式修改已生成的句子。
评测成绩要按 Zyphra 自报来读：官方新推的 ZTTS2-Eval 与 TTS 能力指数称它在开源模型中排第一，H100 上 8 并发时中位首音 80 毫秒、峰值吞吐每秒 457 秒音频——这些数字目前没有第三方独立复现，官方自己也建议“最好靠听样音判断”。
对做游戏、旁白、语音助手的开发者来说，这是一次现成的开源选择：语音合成第一次同时做到“小到能塞进浏览器、又能克隆声音、还能逐词导演语气”，不用再为一个会说话的角色去接闭源 API。相关阅读：Mistral 放出 1 万亿参数 Large 4 权重、英伟达发布机器人模型 GR00T 2。
来源：Zyphra，原文
没有回复内容