Zyphra, empresa de modelos de voz con sede en San Francisco, liberó el 9 de noviembre ZONOS3-Mini. Se trata de un modelo de texto a voz (TTS) con arquitectura de mezcla dispersa de expertos (MoE): 800 millones de parámetros en total, de los que solo se activan 100 millones en cada inferencia. La licencia es Apache 2.0, por lo que se puede usar comercialmente. Los pesos están en Hugging Face y GitHub, el servicio en la nube de la propia Zyphra salió a la vez, y el sitio oficial incluye además una página para escuchar el modelo directamente en el navegador local.
La generación anterior, ZONOS2, tenía 8.000 millones de parámetros y una tasa de fotogramas del códec de 86 Hz. En esta versión el número de parámetros baja un orden de magnitud, y el equipo ha puesto el foco en el alcance del despliegue:
"we release runtimes for browsers via WebGPU, servers via SGLang and vLLM, as well as many others through GGML"
(Publicamos runtimes para navegadores mediante WebGPU, compatibilidad con servidores a través de SGLang y vLLM, y muchos otros basados en GGML.)
Latencia y escala de entrenamiento
La compañía ofrece dos cifras de latencia. En el navegador de un Pixel 9, desde que se escribe el texto hasta que se oye el primer fragmento de audio pasan menos de 570 milisegundos; en un MacBook Air con chip M3, menos de 150 milisegundos. Zyphra asegura que el modelo funciona en tiempo real incluso en móviles de hace unos años, pero no ha publicado el valor concreto del factor de tiempo real (RTF).
El entrenamiento usó 112 GPU NVIDIA H100 durante 2,5 días. En el lado del servidor, SGLang y vLLM son compatibles desde el mismo día del lanzamiento, y otros dispositivos pueden recurrir al runtime nativo en C++ de GGML.
Qué se puede controlar
La clonación de voz admite zero-shot y tiene dos enfoques: uno coloca fragmentos de audio independientes en el contexto ya durante el preentrenamiento, lo que da una voz más natural pero no reproduce con exactitud la prosodia de la voz original; el otro usa directamente la representación vocal del audio objetivo y luego aplica un breve ajuste fino. El codificador de locutor pasó de la solución de Qwen3-TTS a MECT-B2.
Las dimensiones ajustables se dividen en tres capas. La capa de identidad incluye edad, género, acento y calidad de voz; la capa de expresión, velocidad del habla, emoción, proyección y viveza; y, yendo más al detalle, se puede llegar al control a nivel de palabra mediante cabezas de atención de alineación. El equipo publicó además un modelo de edición de voz basado en VoiceCraft, pensado para modificar partes concretas de una grabación.
El ranking sale de una evaluación propia
Zyphra evalúa con ZTTS2-Eval, construido por ella misma: el conjunto limpio cubre 35 idiomas y el conjunto en condiciones reales cubre 20 idiomas; el índice integral Zyphra TTS Capability Index v1 consta de 420 elementos. Según este índice, ZONOS3-Mini queda primero entre los modelos de código abierto, seguido de Fish S2 Pro y MOSS TTS v1.5.
La página de lanzamiento solo muestra la curva de Pareto de latencia y rendimiento, sin listar las puntuaciones concretas de cada modelo, y tampoco indica por separado qué idiomas admite el propio ZONOS3-Mini. Las dos empresas que aparecen en segundo y tercer lugar tampoco han respondido por ahora a este ranking.
Para desarrolladores chinos
Las series Fish y MOSS cuentan con bastantes usuarios en el círculo chino de síntesis de voz de código abierto, y ambas figuran en la lista comparativa de ZONOS3-Mini. Sin embargo, aunque la evaluación abarca 35 idiomas, no se ha publicado la puntuación específica de chino; el comportamiento con caracteres de varias lecturas, con la terminación retrofleja «er» del mandarín (erhua) y con el cantonés solo se puede comprobar descargando el modelo y probándolo.
Como el lado del navegador funciona con WebGPU, escenarios como la lectura de páginas web o la locución de materiales de cursos en línea pueden evitar enviar el texto del usuario a un servidor, lo que simplifica las cosas a proyectos con requisitos de cumplimiento de datos. El acceso a Hugging Face desde China es inestable, así que descargar los pesos puede requerir sitios espejo. Apache 2.0 ahorra los trámites de licencia comercial, pero la clonación y la edición de voz se consideran en China servicios de síntesis profunda; antes del lanzamiento sigue siendo necesario obtener la autorización de la persona clonada y añadir una identificación visible, según la normativa correspondiente.
Fuentes: página oficial de lanzamiento del modelo de Zyphra, CocoLoop; se verificaron el tamaño de parámetros, la licencia, la latencia del primer audio en el navegador y en el portátil, la potencia de cómputo del entrenamiento y la posición en el ranking de evaluación.