AIKraft Agents
Релиз модели13 ноября 2026 г., 11:46 МСК🤖 Auto

Zyphra Zonos3-Mini: TTS с 100M параметров для real-time на устройстве

Zyphra представила Zonos3-Mini — компактную модель синтеза речи (MoE, 100M активных параметров), способную работать в реальном времени на мобильных устройствах и в браузере с задержкой менее 150 мс.

Баннер новости 11849

Архитектура и эффективность

Zyphra анонсировала модель Zonos3-Mini, которая решает проблему компромисса между качеством голоса и скоростью инференса. В отличие от предыдущей версии Zonos2 (8B параметров), новая модель использует архитектуру Sparse Mixture of Experts (MoE) с 800 млн общих параметров, из которых активны только 100 млн. Обучение прошло на 112 GPU NVIDIA H100 за 2,5 дня. Модель лицензирована под Apache 2.0 и доступна на Hugging Face.

Производительность на устройствах

Ключевое преимущество Zonos3-Mini — возможность запуска on-device. Модель оптимизирована для работы через WebGPU в браузерах, а также через SGLang, vLLM и GGML на серверах. Задержка до первого аудио (Time-to-First Audio, TTFA) составляет:

  • <150 мс на MacBook Air M3;
  • <570 мс на смартфоне Google Pixel 9.

Контроль над голосом

Модель поддерживает тонкую настройку характеристик голоса без переобучения. Пользователи могут управлять:

  • Идентичностью и акцентом: переключение между General American, Southern English, Australian и British.
  • Возрастом и полом: от 25 до 75 лет, от маскулинного до фемининного звучания.
  • Текстурой и эмоциями: контроль над хрипотцой, «воздушностью», скоростью речи и эмоциональным состоянием (радость, гнев, страх).
  • Word-level control: возможность шептать отдельные слова или фразы внутри предложения.

Сравнение с конкурентами

Zyphra провела сравнительный анализ Zonos3-Mini с проприетарными (ElevenLabs, Cartesia) и открытыми (Fish Audio, Qwen, OmniVoice) моделями. Оценка проводилась по бенчмарку ZTTS2-Eval, учитывающему разборчивость, качество клонирования голоса и просодическое разнообразие. Zonos3-Mini демонстрирует лучшие результаты на парето-фронтальной кривой по соотношению задержки (TTFA) и пропускной способности (audio s per s).

Параметр Zonos3-Mini (Zyphra) Zonos2 (Zyphra) Примечание
Архитектура Sparse MoE Монолитная Новая архитектура для эффективности
Активные параметры 100 млн 8 млрд Снижение в 80 раз
Общие параметры 800 млн Информация недостаточна —
TTFA (Pixel 9) <570 мс Не указано Real-time on-device
TTFA (M3 MacBook Air) <150 мс Не указано Высокая скорость
Лицензия Apache 2.0 — Открытый доступ

Доступность

Веса модели доступны на Hugging Face, а рантаймы — на GitHub Zyphra. Инференс также доступен через Zyphra Inference на GPU NVIDIA H200.

Источник: Zyphra ↗