Zyphra · 已发布,本站供应商暂无

ZONOS3-Mini(2026):Zyphra 开放的声音克隆 TTS 模型是什么、43 种语言、速度数字、硬件和许可

ZONOS3-Mini 是 Zyphra 开放的语音合成模型,总参数 8 亿、激活参数 1 亿,支持 43 种语言、44.1 kHz 音频和零样本声音克隆,2026 年 11 月 9 日以 Apache 2.0 权重发布;本站是文字聊天而不是语音生成,所以无法运行它。

已发布,本站供应商暂无最后更新:

现在就用

聊天

这个聊天默认使用 Qwen3.8 Flash,不是 ZONOS3-Mini。

每次回复约 1 积分 · 查看全部模型

新账号一次性获得 5 个免费积分,7 天内有效,可用于本站价格较低的模型,最贵的模型需要用你购买的积分。

开始聊天,送 5 个免费积分
厂商
Zyphra
类型
文字
发布
2026-11-09
OpenRouter id
无

已核对

ZONOS3-Mini:事实与来源

  • Zyphra 介绍 ZONOS3-Mini 的博客文章日期为 2026 年 11 月 9 日,Hugging Face 仓库 Zyphra/ZONOS3-Mini 也在同一天创建。技术报告于 2026 年 11 月 12 日提交到 arXiv(11 月 13 日修订)。来源: zyphra.com · 核对于 2026-11-19
  • 博客称 ZONOS3-Mini 是稀疏混合专家(MoE)语音合成模型,激活参数 1 亿、总参数 8 亿,采用 Apache 2.0 许可,在 112 块 NVIDIA H100 上训练了 2.5 天。技术报告的摘要则把主干写作 886M 参数、每个 token 激活 100M;我们无法统一 800M 与 886M,所以两个数字都引用。来源: zyphra.com · 核对于 2026-11-19
  • 模型卡的架构表列出:11 层主干、模型维度 1,024(9 层 Gated DeltaNet 加 2 层全局注意力)、32,768 个位置的上下文、8,192 项的 SuperBPE 文本分词器、每帧 10 个码本(每个 4,096 项)的 15 Hz 音频帧、44.1 kHz 输出、单次生成最长 10 分钟音频、bf16 权重,说话人提示可以是最长 60 秒的参考片段,也可以是一个 192 维的说话人嵌入。来源: huggingface.co · 核对于 2026-11-19
  • Zyphra 的默认声音清单(27 段,每段附带保存好的参考码和说话人嵌入)有 10 个英语声音,风格如 Irish、British、energetic、anime、announcer,法语 1 个,另外德语、印地语、意大利语、韩语、普通话、葡萄牙语、西班牙语和泰卢固语各 2 个。清单里的声音是起了名字的角色声音,不是真人。来源: huggingface.co · 核对于 2026-11-19
  • 模型卡说 ZONOS3-Mini 能在手机和笔记本上实时运行,包括在浏览器里,可以用音频样本克隆声音,或通过调整年龄、口音和声音质感来设计角色,并把情绪、语速和表达细化到单个词。Zyphra 的博客补充说,这些控制只是目标,不保证出现特定情绪,并介绍了一个能用同样的控制修改已有片段中句子的编辑模型。来源: zyphra.com · 核对于 2026-11-19
  • 模型卡说模型权重以 Apache 2.0 发布,没有写其他商用限制。GitHub README 说 ZONOS3 运行时代码采用 MIT 许可,第三方组件列在 NOTICE 文件里,并提醒可选的音素化附加组件使用 espeak-ng,其许可为 GPL-3.0。来源: huggingface.co · 核对于 2026-11-19
  • 我们读过的模型卡和 GitHub README 没有写声音克隆的同意或可接受使用规则;Zyphra 网站有使用条款和隐私政策,我们没有读。本页关于同意的提醒是我们自己加的,不是 Zyphra 说的。来源: huggingface.co · 核对于 2026-11-19
  • 模型卡说 Zyphra Cloud 上有托管版本;价格不在我们读过的页面上。来源: huggingface.co · 核对于 2026-11-19
  • ZONOS3-Mini 不在 OpenRouter 的模型列表里(2026 年 11 月 19 日核对),而本站是与语言模型的文字聊天,所以无法用它生成语音。本站可以和 Qwen3.8 Flash、Inkling 2 Small、Hy4 Flash 这类小型文字模型聊天。来源: openrouter.ai · 核对于 2026-11-19 · 二手

本站表格

ZONOS3-Mini 的速度和准确度:Zyphra 自己的数字

  • 模型卡给出:在一块 H100 80GB 上,8 个并发请求时首次出声时间的中位数为 80 ms,最佳并发下峰值吞吐为每秒 457 秒的音频,这来自一张质量对速度的图,其质量分综合了 Zyphra 自己的 ZTTS2-Eval 中 55 个语言子集上的说话人相似度和词错误率(35 种朗读语音语言、20 种真实场景语言)。来源: huggingface.co · 核对于 2026-11-19
  • Zyphra 的博客说它在 Pixel 9 的浏览器里首次出声不到 570 ms,在 M3 MacBook Air 上不到 150 ms,并说在其 Zyphra TTS Capability Index v1 上,ZONOS3-Mini 在开放模型中排第一,其后是 Fish S2 Pro 和 MOSS TTS v1.5。这些是 Zyphra 在自己的基准上给的数字,我们没有复现。来源: zyphra.com · 核对于 2026-11-19
  • 技术报告的摘要说,在新的 ZTTS2-Eval 上,ZONOS3-Mini 在 55 个语言集(35 个干净、20 个真实场景)上的宏平均词错误率为 6.71%,“与更大更慢的”系统相当,并说权重、推理代码和训练代码均已发布。来源: arxiv.org · 核对于 2026-11-19

厂商数字

Zyphra 印出的 ZONOS3-Mini 延迟、吞吐、错误率和训练成本

搜 ZONOS3-Mini 的人想知道一个激活参数 1 亿的语音模型能有多快、多好。Zyphra 的回答是:在数据中心的 H100 上 80 ms 首次出声,在笔记本上不到 150 ms,在它自己的 55 语言基准上词错误率 6.71%。这些全部来自 Zyphra 自己的文档,没有独立测试,所以排名一说只能当作厂商的说法。本站还收录了其他开放的语音模型:小得多且不带克隆的 Kitten TTS 2 Mini,以及许可禁止商用的老牌克隆模型 XTTS v2。

本站自制表格:数字取自 Zyphra 的模型卡、博客文章和技术报告(2026 年 11 月 19 日读取);它们是 Zyphra 自己的测量,我们没有复现 · 核对于 2026-11-19
指标原文数字条件
首次出声时间中位数80 ms一块 H100 80GB,8 个并发请求
峰值吞吐每秒 457 秒音频一块 H100 80GB,最佳并发下
浏览器中的首次出声时间不到 570 msPixel 9,实时
笔记本上的首次出声时间不到 150 msM3 MacBook Air
宏平均词错误率6.71%ZTTS2-Eval,55 个语言集(35 个干净、20 个真实场景)
Zyphra 能力指数上的排名开放模型中第一,其后是 Fish S2 Pro 和 MOSS TTS v1.5Zyphra TTS Capability Index v1,Zyphra 自己的基准
训练112 块 NVIDIA H100,2.5 天博客文章所述

来源: huggingface.co来源: zyphra.com来源: arxiv.org

本站表格

怎么运行 ZONOS3-Mini:浏览器、SGLang、原生服务器和 Zyphra Cloud,各自需要什么

  • 模型卡列出三种运行方式:在浏览器里通过 WebGPU 用你自己的 GPU 运行(Zonos Voice Studio 和一个更轻量的声音克隆页面,首次访问时下载模型);通过 SGLang-Omni 在 NVIDIA GPU 上运行,提供兼容 OpenAI 的 /v1/audio/speech 接口,支持流式输出和用参考片段克隆;以及 Zyphra 的原生运行时:CUDA 服务器、面向 Apple Silicon 的 MLX 服务器、支持 CPU、CUDA、Metal 或 Vulkan 的 C++/ggml 服务器和命令行,以及浏览器内的版本。来源: huggingface.co · 核对于 2026-11-19
  • GitHub README 的后端表列出:面向带 NVIDIA GPU 的 Linux x86_64 的 CUDA 服务器(在 H100 上测试)、面向 Apple Silicon 的 MLX 服务器、C++/ggml 服务器和命令行,以及浏览器内服务器。前置条件是带 Python 3.12 的 uv,CUDA 服务器还需要 CUDA 12.8 工具包;CUDA 首次启动要编译几分钟的内核,默认解码器下 PyTorch 权重约 9 GB。来源: github.com · 核对于 2026-11-19
  • ggml README 说,原生服务器默认的主干是一个 0.66 GB 的量化文件,Hugging Face 仓库的整个 gguf 文件夹含完整解码器共 9.3 GB,构建时需要 Rust 工具链来编译文本规范化器。来源: github.com · 核对于 2026-11-19

在哪里运行

运行 ZONOS3-Mini 的方式和各自的要求

试用 ZONOS3-Mini 最省事的方式是浏览器版,只需要支持 WebGPU 的浏览器;最重的是 CUDA 服务器。哪种适合你,取决于你有 NVIDIA GPU、Apple Silicon Mac,还是只有 CPU。Zyphra 在我们读过的页面上没有给出最低内存要求。如果你只是需要一个小模型来写作或摘要文字,Qwen3.8 Flash 和 Inkling 2 Small 可以在本站的聊天里运行。

本站自制表格:取自 Zyphra 的模型卡、GitHub README 和 ggml README(2026 年 11 月 19 日读取);大小和测试过的硬件以 Zyphra 所写为准 · 核对于 2026-11-19
方式是什么需要什么
浏览器内(WebGPU)Zonos Voice Studio 和一个更轻量的克隆页面;在你自己的 GPU 上运行,无需服务器支持 WebGPU 的浏览器;首次访问下载模型,浏览器会缓存
SGLang-Omni 服务器兼容 OpenAI 的 /v1/audio/speech 接口,支持流式输出和用参考片段克隆NVIDIA GPU;安装 SGLang-Omni 并运行 sgl-omni serve
Zyphra CUDA 服务器在本机 1919 端口提供 Zonos Voice StudioLinux x86_64、NVIDIA GPU(在 H100 上测试)、CUDA 12.8、带 Python 3.12 的 uv、约 9 GB PyTorch 权重;首次启动要编译几分钟内核
Apple Silicon(MLX)运行 GGUF 文件的 MLX 服务器Apple Silicon Mac,以及 Hugging Face 仓库里的 gguf 文件夹
C++/ggml 服务器和命令行支持 CPU、CUDA、Metal 或 Vulkan 的原生服务器,运行时无需 Python构建需要 Rust 工具链;默认主干 0.66 GB,整个 gguf 文件夹 9.3 GB
Zyphra Cloud(托管)由 Zyphra 运行的 ZONOS3-Mini 托管版本需要 Zyphra 账号;价格不在我们读过的页面上

来源: huggingface.co来源: github.com来源: github.com

本站表格

ZONOS3-Mini 的语言:按地区分的 43 种语言

  • 模型卡说 ZONOS3-Mini 支持 43 种语言,并按地区分组:西欧和南欧、北欧、中东欧、中东和高加索、东亚(普通话、日语、韩语)、东南亚和南亚。文本规范化对英语、普通话、日语、韩语、德语、西班牙语、法语、意大利语和葡萄牙语使用基于 NeMo 的规则;其他语言按原样传入。来源: huggingface.co · 核对于 2026-11-19

语言

ZONOS3-Mini 支持的语言,按模型卡的分组

ZONOS3-Mini 覆盖的语言比小型 Kitten 模型多得多,包括十一种南亚语言以及阿拉伯语、希伯来语和格鲁吉亚语。模型卡说其中九种语言的文本用基于 NeMo 的规则规范化,其余语言按原样传入,所以其他语言里的数字和日期可能读得没那么好;模型卡没有给出分语言的质量表。

本站自制表格:取自 Zyphra 模型卡的语言表(2026 年 11 月 19 日读取);每行的数量由我们数出,合计为模型卡所写的 43 种 · 核对于 2026-11-19
地区数量具体语言
西欧和南欧8英语、法语、西班牙语、德语、意大利语、葡萄牙语、荷兰语、希腊语
北欧4瑞典语、丹麦语、挪威语、芬兰语
中东欧8波兰语、捷克语、斯洛伐克语、匈牙利语、罗马尼亚语、保加利亚语、俄语、乌克兰语
中东和高加索4土耳其语、阿拉伯语、希伯来语、格鲁吉亚语
东亚3普通话、日语、韩语
东南亚5越南语、印尼语、马来语、泰语、他加禄语
南亚11印地语、孟加拉语、泰米尔语、泰卢固语、马拉地语、古吉拉特语、卡纳达语、马拉雅拉姆语、旁遮普语、奥里亚语、乌尔都语

来源: huggingface.co

上线时通知我

登录后点按钮:只保存你的账号和这个模型,不存其他资料。目前还不会发送邮件。

最接近的可用模型

现在可用的 ZONOS3-Mini 替代选择

Qwen3.8 Flash

Alibaba

$0.15 / $0.47 (每百万 token)

  • Alibaba 对 qwen3.8-flash 的定价为每百万输入/输出 token 0.15/0.47 美元(新加坡、欧盟、香港和美国区)。来源: docs.qwencloud.com · 核对于 2026-11-13
  • 在 OpenRouter 上的 id 为 qwen/qwen3.8-flash,每百万 token 0.15/0.47 美元。来源: openrouter.ai · 核对于 2026-11-13

Inkling 2 Small

Thinking Machines Lab

$0.30 / $1 (每百万 token)

  • Thinking Machines Lab 于 2026 年 11 月 5 日发布 Inkling 2 Small,并在其 Tinker 平台上提供。来源: thinkingmachines.ai · 核对于 2026-11-14
  • 混合专家(MoE)模型,总参数 594B、激活 17B,支持图片输入和可调推理强度。来源: thinkingmachines.ai · 核对于 2026-11-14
  • 输入文字和图片、输出文字;上下文最多 100 万 token;每个 token 路由到 384 个专家中的 8 个。来源: huggingface.co · 核对于 2026-11-14

Hy4 Flash

Tencent

$0.04 / $0.14 (每百万 token)

  • 腾讯 2026 年 11 月 16 日的 Hy4 flash 公告称它是 Hy 模型家族的最新成员。腾讯建议把它用于大多数日常任务(深度研究、文档处理、生成 PPT、简单前端工作、电脑操作),长程软件工程等复杂任务则建议用 Hy4。腾讯云 API 指南称它是“更精简、更高效的日常主力”(原文为英文)。来源: tencent.com · 核对于 2026-11-17
  • 腾讯公告日期为 2026 年 11 月 16 日,腾讯云上 hy4-flash 的模型、价格和 API 页面也在同一天更新。公告只说 Hy4 flash 现已可用,没有单独写明发布日期或版本名。来源: tencent.com · 核对于 2026-11-17
  • 腾讯称 Hy4 flash 总参数 224B(含 64B Engram 参数),激活 12B,上下文最长 1M token,支持多模态输入;公告没有写最大输出和输出类型。腾讯还称它的 KV 缓存是 Hy4 的 1/6,解码速度超过每秒 150 token。这些是腾讯自己的数据,我们没有测试。来源: tencent.com · 核对于 2026-11-17

FAQ

ZONOS3-Mini 常见问题

ZONOS3-Mini 是什么?

ZONOS3-Mini 是 Zyphra 的语音合成模型,可以用一段音频样本克隆声音,并调节年龄、口音、情绪和语速。Zyphra 2026 年 11 月 9 日的博客介绍了一个混合专家模型,激活参数 1 亿、总参数 8 亿,输出 44.1 kHz 音频,支持 43 种语言。它可以在服务器 GPU、Mac、CPU 构建版或浏览器里运行。

ZONOS3-Mini 是开源的吗?可以商用吗?

模型卡说权重以 Apache 2.0 发布,没有写其他商用限制,GitHub README 把运行时代码放在 MIT 许可下。可选的部分有各自的条款,比如可选的音素化附加组件使用 GPL-3.0 的 espeak-ng。请阅读你所用仓库里的许可文件。

ZONOS3-Mini 需要什么硬件?

取决于方式。Zyphra 的 CUDA 服务器面向带 NVIDIA GPU 的 Linux(在 H100 上测试),PyTorch 权重约 9 GB;C++/ggml 版本可在 CPU、CUDA、Metal 或 Vulkan 上运行,默认主干 0.66 GB;浏览器版通过 WebGPU 用你自己的 GPU 运行。Zyphra 在我们读过的页面上没有给出最低内存要求。

ZONOS3-Mini 有多快?

按 Zyphra 自己的数字(我们没有复现),在一块 H100 上 8 个并发请求时首次出声时间中位数为 80 ms,在 M3 MacBook Air 上不到 150 ms,在 Pixel 9 的浏览器里不到 570 ms。H100 上的峰值吞吐是每秒 457 秒音频。它在 Zyphra 自己的基准上、55 个语言集的宏平均词错误率为 6.71%。

它有哪些语言和声音?

模型卡列了 43 种语言,从英语、法语、普通话,到十一种南亚语言、阿拉伯语、希伯来语和格鲁吉亚语。默认声音有 27 个(10 个英语,其余多数语言各 2 个),你也可以提供自己的参考片段或说话人嵌入。

ZONOS3-Mini 能克隆声音吗?同意问题怎么办?

能:它可以用最长 60 秒的参考片段或保存好的说话人嵌入来克隆。只使用已经同意的人的录音,不要把生成的语音冒充成真人,并留意你所在地的规定;Zyphra 的模型卡和 README 没有写同意规则,这段提醒是我们加的。

能在这里用 ZONOS3-Mini 生成语音吗?

不能。本站是与语言模型的文字聊天,无法用 ZONOS3-Mini 或任何语音模型生成音频,而且该模型不在 OpenRouter 的列表里。要文字的话,在本站与 Inkling 2 Small 的一次典型回复约 1 个积分(一个积分约 $0.01,按 $5 档计算),按真实 token 成本计费,最低 1 个积分。Qwen3.8 Flash 是另一个小模型。

这是 Zyphra 的官方网站吗?

不是。本页为非官方页面,与 Zyphra 无关,也未获其认可。事实链接到我们读过的页面。