概览
ZONOS3-Mini 是美国 AI 公司 Zyphra 在 2026 年 11 月 9 日开源的文本转语音模型，主打高保真的零样本声音克隆，并且小到可以在手机和笔记本上实时运行，甚至直接在浏览器里跑。它采用稀疏混合专家架构，总参数 8 亿、每次只激活约 1 亿；上一代 ZONOS2 有 80 亿参数，还要配 86 Hz 的音频编解码器，只适合放在云端。按官方数据，在 Pixel 9 的浏览器里首段音频延迟低于 570 毫秒，在 M3 MacBook Air 上低于 150 毫秒。 声音克隆只需要一段参考音频，不用提供文字稿；也可以不克隆，而是按年龄、性别、口音和音色质感「设计」一个新角色。表达层面可以调节情绪、语速、音量投射和活泼程度，还能做到逐词控制，比如只让「I didn't say」这几个词变成耳语、后半句照常；另外附带一个编辑模型，生成后可以改动句子而不必整段重录。适合游戏角色配音、有声书旁白和语音助手等场景。 技术上，主干的序列混合层按 3:1 混用 Gated DeltaNet 和全局注意力，长段落生成时吞吐下降更少；说话人表示改用 MECT-B2 说话人验证模型，后训练依次做了 DPO 和 GRPO。Zyphra 用 112 张 NVIDIA H100 训练了约 2.5 天。官方用新发布的 ZTTS2-Eval（干净集 35 种语言、真实场景集 20 种语言）评测，称其在开源 TTS 中排名第一，但这套评测由 Zyphra 自己制定，与 ElevenLabs、Cartesia 等闭源模型只提供了试听对比。 部署方式很多：浏览器里通过 WebGPU 运行的 Zonos Voice Studio 无需安装；服务器可用 SGLang-Omni（提供 OpenAI 兼容的 /v1/audio/speech 接口，支持流式输出 44.1 kHz 音频）或 vLLM；GitHub 仓库还提供 CUDA 服务、Apple Silicon 的 MLX 服务和 C++/ggml 服务与命令行，并内置 27 个按语言分组的默认音色。不想自己部署也可以用 Zyphra Cloud 的托管版。声音克隆在国内属于深度合成服务，商用前需取得被克隆者同意并做显著标识。官方来源：https://www.zyphra.com/our-work/zonos3-mini 、https://huggingface.co/Zyphra/ZONOS3-Mini 、https://github.com/Zyphra/ZONOS3-Mini （2026-11-10 Asia/Shanghai 核对）。 定价：权重和运行时采用 Apache-2.0 协议，可免费下载并商用；Zyphra Cloud 托管调用另行计费，官方页面未列出公开单价。
- 模态
- 音频
- 参数量
- 800M 总参数 / 约 100M 激活（MoE）
- 许可说明
- 开源 · Apache-2.0
能力
- Zyphra 2026 年 11 月 9 日开源的实时语音合成模型，稀疏 MoE 架
- 零样本声音克隆：给一段参考音频即可复刻音色，也能按年龄、性别、口音、音色质感「设计」新角色声音
- 可控情绪、语速、音量和语气，并能逐词控制（例如只让句中几个词变成耳语）；另附生成后改句的编辑模型
- 端侧实时：官方称 Pixel 9 浏览器内首段音频延迟低于 570 毫秒，M3 MacBook Air 低于 150 毫秒
- 运行方式多：WebGPU 浏览器版（Zonos Voice Studio）、SGLang-Omni（OpenAI 兼容 /v1/audio/speech）、CUDA、Apple MLX、C++/ggml 服务与命令行
- 主干按 3:1 混用 Gated DeltaNet 与全局注意力，后训练依次做 DPO 与 GRPO；用 112 张 H100 训练约 2.5 天
- 权重与运行时均为 Apache-2.0，可商用；仓库内置 27 个按语言分组的默认音色