🤖 Zyphra выпустила компактную TTS-модель
ZONOS3-Mini клонирует голос по записи до 60 секунд, задаёт возраст, акцент и тембр, управляет эмоциями и темпом вплоть до отдельных слов. Внутри — MoE с 64 экспертами и ~100 млн активных параметров, поддержка 43 языков, включая русский.
🌍 Компактная модель синтезирует речь в реальном времени прямо в браузере и на телефоне: на Pixel 9 первый звук через 570 мс, на MacBook Air M3 — 150 мс. Не нужен дорогой GPU-сервер, а open-source давит на закрытые сервисы вроде ElevenLabs.
👤 Доступна сразу: демо в браузере, веса на Hugging Face, рантаймы для WebGPU, MLX и ggml. Клонирование по минутной записи и настройка эмоций по словам пригодятся для озвучки, дубляжа и ассистентов. Качество подтверждено лишь вендорским бенчмарком ZTTS2-Eval, а чужой голос без согласия клонировать не стоит.
Источник 1: https://www.zyphra.com/our-work/zonos3-mini Источник 2: https://huggingface.co/Zyphra/ZONOS3-Mini