Zyphra revela o ZONOS3-Mini: um modelo tts de código aberto compacto com 100 milhões de parâmetros ativos

A Zyphra apresentou o ZONOS3-Mini, um modelo de texto para fala de código aberto, projetado para operação em tempo real em hardware local, como laptops ou abas do navegador. Este modelo Mixture of Experts (MoE) esparso possui um total de 800 milhões de parâmetros, mas apenas 100 milhões de parâmetros ativos, suportando clonagem de voz sem exemplos e controle de entrega em nível de palavra. Os pesos do modelo estão disponíveis sob a licença Apache 2.0. Desenvolvido através do treinamento em 112 NVIDIA H100s ao longo de 2,5 dias, o ZONOS3-Mini se baseia no modelo anterior, ZONOS2. A nova versão incorpora controles avançados, incluindo vetores de incorporação de falante para identidade (idade, gênero, sotaque, textura) e controle de ativação para entrega (ritmo, emoção, projeção, vivacidade). Além disso, um modelo de edição separado, baseado em uma receita VoiceCraft, permite a modificação de frases após a geração. A avaliação no benchmark ZTTS2-Eval da Zyphra, que abrange 35 idiomas de fala limpa e 20 idiomas em ambientes reais, mostra que o ZONOS3-Mini alcança uma pontuação de Índice de Capacidade de 66,2, superando o Fish Audio S2 Pro (61,7) e o MOSS-TTS v1.5 (60,2). Embora o modelo apresente um WER de 7,79 no conjunto limpo, a Zyphra observou ressalvas, incluindo uma pontuação de qualidade MSR-UTMOS inferior de 3,07 em comparação com o Fish S2 Pro (3,16) e o Qwen3-TTS 1.7B (3,54).