Perusahaan model suara asal San Francisco, Zyphra, merilis ZONOS3-Mini sebagai open source pada 9 November. Ini adalah model text-to-speech dengan arsitektur mixture-of-experts (MoE) jarang, dengan total 800 juta parameter yang hanya 100 juta di antaranya diaktifkan setiap inferensi. Lisensinya Apache 2.0, sehingga boleh dipakai secara komersial. Bobot model tersedia di Hugging Face dan GitHub, layanan cloud milik Zyphra ikut diluncurkan bersamaan, dan di situs resminya ada satu halaman untuk mencoba suaranya langsung di browser lokal.
Generasi sebelumnya, ZONOS2, memiliki 8 miliar parameter dengan frame rate codec 86 Hz. Kali ini jumlah parameter turun satu orde besaran, dan tim menaruh fokus pada jangkauan penerapan:
"we release runtimes for browsers via WebGPU, servers via SGLang and vLLM, as well as many others through GGML"
(Kami merilis runtime untuk browser lewat WebGPU, untuk server lewat SGLang dan vLLM, serta banyak lainnya melalui GGML.)
Latensi dan skala pelatihan
Pihak resmi memberikan dua angka latensi. Di browser pada ponsel Pixel 9, audio pertama terdengar kurang dari 570 milidetik setelah teks dimasukkan; di MacBook Air dengan chip M3, kurang dari 150 milidetik. Zyphra menyebut model ini bisa berjalan real-time di ponsel keluaran beberapa tahun lalu, tetapi tidak mengumumkan angka spesifik real-time factor (RTF).
Pelatihan memakai 112 GPU Nvidia H100 selama 2,5 hari. Di sisi server, SGLang dan vLLM sudah didukung sejak hari rilis, sedangkan perangkat lain bisa memakai runtime C++ native dari GGML.
Apa saja yang bisa dikendalikan
Kloning suara mendukung zero-shot dan ada dua caranya. Pertama, klip audio terpisah dimasukkan ke dalam konteks sejak prapelatihan; suaranya lebih alami, tetapi prosodi suara aslinya tidak ditiru persis. Kedua, langsung memakai representasi suara dari audio target, lalu dilakukan satu kali fine-tuning singkat. Encoder pembicara diganti dari pendekatan Qwen3-TTS ke MECT-B2.
Dimensi yang bisa diatur terbagi dalam tiga lapisan. Lapisan identitas mencakup usia, gender, aksen, dan kualitas suara; lapisan ekspresi mencakup kecepatan bicara, emosi, proyeksi, dan tingkat keceriaan; lebih halus lagi, kontrol tingkat kata dimungkinkan lewat alignment attention head. Tim juga merilis model penyuntingan suara berbasis VoiceCraft untuk mengubah bagian tertentu dari sebuah rekaman.
Peringkat berasal dari evaluasi internal
Zyphra mengevaluasi dengan ZTTS2-Eval buatannya sendiri: set bersih mencakup 35 bahasa, set in-the-wild mencakup 20 bahasa, dan indeks kemampuan gabungan Zyphra TTS Capability Index v1 terdiri dari 420 butir. Menurut indeks ini, ZONOS3-Mini berada di peringkat pertama di antara model open source, diikuti Fish S2 Pro dan MOSS TTS v1.5.
Halaman rilis hanya menampilkan kurva Pareto antara latensi dan throughput, tanpa mencantumkan skor tiap model. Bahasa apa saja yang didukung ZONOS3-Mini sendiri juga tidak dituliskan secara terpisah. Dua pihak yang menempati peringkat kedua dan ketiga sejauh ini belum menanggapi peringkat tersebut.
Bagi pengembang berbahasa Mandarin
Seri Fish dan MOSS punya cukup banyak pengguna di komunitas sintesis suara open source di Tiongkok, dan keduanya muncul dalam daftar pembanding ZONOS3-Mini kali ini. Meski evaluasinya mencakup 35 bahasa, skor khusus bahasa Mandarin tidak dipublikasikan, jadi performa pada karakter polifon Mandarin, bunyi erhua, dan bahasa Kanton hanya bisa dinilai dengan mengunduh dan mencobanya sendiri.
Karena sisi browser berjalan dengan WebGPU, skenario seperti pembacaan halaman web dan pengisi suara materi kuliah daring bisa berjalan tanpa mengirim teks pengguna ke server, yang lebih mudah bagi proyek dengan syarat kepatuhan data. Akses ke Hugging Face dari daratan Tiongkok tidak stabil, sehingga mengunduh bobot model mungkin perlu situs mirror. Apache 2.0 menghilangkan repotnya lisensi komersial, tetapi kloning suara dan penyuntingan suara di Tiongkok tergolong layanan deep synthesis; sebelum diluncurkan, tetap harus mendapat izin dari orang yang suaranya dikloning dan memberi penanda yang jelas sesuai ketentuan terkait.
Sumber: halaman rilis model resmi Zyphra, CocoLoop; memverifikasi skala parameter, lisensi, latensi audio pertama di browser dan laptop, daya komputasi pelatihan, serta peringkat evaluasi.