旧金山语音模型公司 Zyphra 11 月 9 日开源 ZONOS3-Mini。这是一个稀疏混合专家（MoE）结构的文本转语音模型，总参数 8 亿，每次推理只激活其中 1 亿，许可证为 Apache 2.0，可以商用。权重放在 Hugging Face 和 GitHub，Zyphra 自己的云服务同步上线，官网另有一个可以在本地浏览器里直接试听的页面。
上一代 ZONOS2 有 80 亿参数，编解码器帧率 86 Hz。这一代参数量降了一个数量级，团队把重点放在了部署范围上：
“we release runtimes for browsers via WebGPU, servers via SGLang and vLLM, as well as many others through GGML” （我们发布了浏览器端的 WebGPU 运行时、服务器端的 SGLang 和 vLLM 支持，以及基于 GGML 的其他运行时。）
延迟和训练规模
官方给了两组延迟。在 Pixel 9 手机的浏览器里，从输入文字到听见第一段音频不到 570 毫秒；在 M3 芯片的 MacBook Air 上不到 150 毫秒。Zyphra 称模型能在几年前的手机上实时运行，但没有公布实时率（RTF）的具体数值。
训练用了 112 块英伟达 H100，跑了 2.5 天。服务器端的 SGLang 和 vLLM 在发布当天就提供支持，其他设备可以走 GGML 的原生 C++ 运行时。
能控制什么
声音克隆支持零样本，有两种做法：一种是预训练时就把独立音频片段放进上下文，声音更自然，但不会精确复制原声的韵律；另一种直接使用目标音频的声音表征，再做一次短暂微调。说话人编码器从 Qwen3-TTS 的方案换成了 MECT-B2。
可调的维度分三层。身份层有年龄、性别、口音、音质；表达层有语速、情绪、投射感和活泼度；再往细，可以借对齐注意力头做到词级控制。团队另外放出一个基于 VoiceCraft 的语音编辑模型，用来修改录音里的局部内容。
排名出自自家评测
Zyphra 用自建的 ZTTS2-Eval 做评测，干净集覆盖 35 种语言，野外集覆盖 20 种语言；综合能力指数 Zyphra TTS Capability Index v1 由 420 个条目组成。按这套指数，ZONOS3-Mini 在开源模型中排第一，其后是 Fish S2 Pro 和 MOSS TTS v1.5。
发布页只放了延迟与吞吐量的帕累托曲线，没有列出各模型的具体分数，ZONOS3-Mini 本身支持哪些语言也没有单独写明。名单里排第二、第三的两家，目前也没有对这份排名作出回应。
对中文开发者
Fish 和 MOSS 两个系列在国内开源语音合成圈子里用户不少，这次都出现在 ZONOS3-Mini 的对比名单上。不过评测虽覆盖 35 种语言，中文单项分数并未公布，普通话的多音字、儿化音和粤语效果，只能下载下来自己试。
浏览器端走 WebGPU，网页朗读、在线课件配音这类场景可以不把用户文本传到服务器，对有数据合规要求的项目省事一些。国内访问 Hugging Face 不稳定，下载权重可能要借助镜像站。Apache 2.0 免去了商用授权的麻烦，但声音克隆和语音编辑在国内属于深度合成服务，上线前仍要按相关规定取得被克隆者授权并做显著标识。
参考来源：Zyphra 官方模型发布页、CocoLoop；核验参数规模、许可证、浏览器与笔记本首段音频延迟、训练算力及评测排名。