Zyphra presenta ZONOS3-Mini: un modelo tts de código abierto compacto con 100 millones de parámetros activos

Zyphra ha presentado ZONOS3-Mini, un modelo de texto a voz de código abierto diseñado para la operación en tiempo real en hardware local, como ordenadores portátiles o pestañas del navegador. Este modelo Mixture of Experts (MoE) esparso cuenta con un total de 800 millones de parámetros, pero solo 100 millones de parámetros activos, y admite la clonación de voz y el control de la entrega a nivel de palabra. Los pesos del modelo están disponibles bajo la licencia Apache 2.0. Desarrollado mediante el entrenamiento en 112 NVIDIA H100 durante 2,5 días, ZONOS3-Mini se basa en el modelo anterior ZONOS2. La nueva versión incorpora controles avanzados, incluidos vectores de incrustación de hablantes para la identidad (edad, género, acento, textura) y control de activación para la entrega (ritmo, emoción, proyección, vivacidad). Además, un modelo de edición separado, basado en una receta de VoiceCraft, permite la modificación de la oración después de la generación. La evaluación en el conjunto de datos de referencia de Zyphra ZTTS2-Eval, que cubre 35 idiomas de habla limpia y 20 idiomas en el mundo real, muestra que ZONOS3-Mini alcanza una puntuación de índice de capacidad de 66,2, superando a Fish Audio S2 Pro (61,7) y MOSS-TTS v1.5 (60,2). Aunque el modelo muestra una tasa de error de palabras (WER) de 7,79 en el conjunto de datos limpio, Zyphra ha señalado algunas limitaciones, incluida una puntuación de calidad MSR-UTMOS más baja de 3,07 en comparación con Fish S2 Pro (3,16) y Qwen3-TTS 1.7B (3,54).