Zyphra 11 月 9 日发布开源语音合成（TTS）模型 ZONOS3-Mini，权重以 Apache 2.0 协议上架 Hugging Face。它是稀疏 MoE 模型，总参数 8 亿、每 token 激活约 1 亿，用 112 张 H100 训练 2.5 天。官方口径：在 Pixel 9 浏览器里首段音频延迟低于 570 毫秒，M3 MacBook Air 上低于 150 毫秒；在自建的 ZTTS2-Eval（35 种语言朗读 + 20 种语言真实录音）能力指数上排名开源模型第一，领先 Fish S2 Pro 和 MOSS TTS v1.5。支持声线克隆、年龄/口音/性别调节和逐词语气控制，提供 WebGPU、SGLang、vLLM、GGML、MLX 等运行时。
核心要点速览
- ✓规模：800M 总参、约 100M 激活（64 专家、top-2 路由），上一代 ZONOS2 为 8B，Apache 2.0 开放权重
- ✓速度（官方口径）：Pixel 9 浏览器首段音频 <570 ms，M3 MacBook Air <150 ms；单张 H100 在 8 并发下中位首音 80 ms，峰值每秒生成 457 秒音频
- ✓自研 ZAC-1 编解码器帧率 15 Hz（原 DAC 为 86 Hz），同等数据下词错率降低约 10 倍；单次最多生成 10 分钟 44.1 kHz 音频
- ✓评测：ZTTS2-Eval 覆盖 35 种语言朗读 + 20 种语言真实录音，420 项能力指数中开源模型排名第一，其次为 Fish S2 Pro 与 MOSS TTS v1.5（自建基准，暂无第三方复现）
- ✓上手：浏览器 WebGPU 免安装试用，或
sgl-omni serve --model-path Zyphra/ZONOS3-Mini起 OpenAI 兼容 /v1/audio/speech 接口
开发者 3 秒速决决策指标
把技术选型换算成你的开发预算
40 款主流编程套餐横向比价，支持输入/输出 Token 真实账单模拟
相关资源与官方项目出处
免代理直达深度技术解析与实战评估
核心背景与行业痛点
做语音 Agent、游戏配音或有声内容时，高质量 TTS 往往要么走闭源 API（按字符计费、数据出境），要么用大模型自部署（显存贵、延迟高）。Zyphra 上一代 ZONOS2 用 8B 参数换质量，难以上端侧。ZONOS3-Mini 的目标是把开源 TTS 压到手机能实时跑。
架构亮点与底层机制
骨干为 11 层混合结构：9 层 Gated DeltaNet 加 2 层全局注意力，配 64 专家 top-2 的 latent MoE。自研 ZAC-1 编解码器把帧率从 86 Hz 降到 15 Hz，1 个语义码本加 9 个声学码本。说话人表征换成 MECT-B2，并经 DPO、GRPO 两阶段后训练提升稳定性。逐词语气控制通过监控对齐注意力头实现，另附编辑模型可改写已生成句子。
权威 Benchmark 与实测跑分对比
以下为 Zyphra 官方口径：浏览器端 Pixel 9 首音 <570 ms、M3 MacBook Air <150 ms；在自建 ZTTS2-Eval 能力指数上开源模型第一，领先 Fish S2 Pro、MOSS TTS v1.5。基准由厂商自建，尚无第三方复现，建议按自己语种实测。
开发者实战落地与开箱指南
最快方式是打开官方 WebGPU Voice Studio 直接试；服务端用 SGLang-Omni 一行命令起 OpenAI 兼容接口，加 references 参数即可克隆声线；Apple Silicon 可用 MLX 服务，CPU 可用 GGML。文本归一化覆盖中、英、日、韩等 9 种语言。
即刻查看该技术对应模型与主流工具的实测差异，或一键测算团队 API 调用与 $20/月套餐盈亏平衡点。
讨论与评论
0登录后即可参与深度讨论
与广大 AI 开发者、工程师交流评测心得与前沿洞察