К содержимому
Аудио

ZONOS3-Mini

компактный мультиязычный TTS в transformers

2 мин чтенияобновлено

ZONOS3-Mini от Zyphra синтезирует речь в 44,1 кГц моно на CPU или GPU. В одном чекпоинте собраны языковая модель на 1,04 млрд параметров, аудиокодек и энкодер спикера, поэтому для запуска хватает torch и transformers. Эта версия — упаковка для обычного transformers с trust_remote_code=True: доступны 27 готовых голосов и клонирование по аудиоклипу. Пригодится для озвучки ботов, приложений и прототипов без отдельного нативного рантайма. Русского языка среди перечисленных в карточке нет.

Ключевые особенности

  • Мультиязычный синтез: en_us, en_gb, fr_fr, de, es, it, pt_br, ja, cmn, ko; выход 44,1 кГц моно.
  • 27 готовых голосов, включая английские стили (Irish, British, ASMR, announcer и др.) и голоса для других поддерживаемых языков.
  • Клонирование голоса по клипу через 192-мерный speaker embedding или готовые codec-коды.
  • Запуск на CPU или GPU только с torch и transformers, без нативного рантайма.
  • Опциональная нормализация текста через zyphra-textnorm: числа, даты, валюты и единицы читаются вслух.

Что можно сделать

  • Озвучить ответы Telegram-бота или другого сервиса на одном из поддерживаемых языков.
  • Собрать голосового ассистента с клонированным голосом: один раз посчитать speaker_embedding и переиспользовать его.
  • Менять громкость, верхнюю частоту и темп через condition_values или condition_buckets.
  • Прототипировать TTS на CPU: один чекпоинт и вызов generate().

Пример

import soundfile as sf
import torch
from transformers import AutoModel

model = AutoModel.from_pretrained("Zyphra/ZONOS3-Mini-hf", trust_remote_code=True)
model = model.to("cuda" if torch.cuda.is_available() else "cpu")
out = model.generate("Hello! This is ZONOS3-Mini.", voice="Savannah", seed=0)
sf.write("hello.wav", out.waveform.numpy(), out.sampling_rate)
ПодробнееМодель на 1,04 млрд параметров. LM в чекпоинте хранится в bfloat16: transformers 5 загружает как есть, 4.x — во float32 без dtype=torch.bfloat16; декодер кодека и энкодер спикера всегда во float32.
Веса — Apache 2.0. Не включены редактирование речи, управление акцентами, LACI, фонемный вход, streaming decode и codec encoder.
Пайплайн text-to-speech не поддерживается: он токенизирует текст до модели и пропускает нормализацию — вызывайте generate с сырым текстом.
Обсудить Telegram 1 57

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 2.2 GB · готовые файлы3.0 GB
  • FP8 / INT8рекомендуемвеса 1.0 GB1.6 GB
  • 4-bitвеса 0.5 GB1.1 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # Zyphra/ZONOS3-Mini-hf
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download Zyphra/ZONOS3-Mini-hf --local-dir ~/models/ZONOS3-Mini-hf
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к ZONOS3-Mini-hf
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Дообучение модели

Zyphra/ZONOS3-Mini

Новые посты про версии ZONOS3-Mini — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 5Все на Hugging Face
Дообучения 6Все на Hugging Face

О модели

Zyphra/ZONOS3-Mini-hf
Автор
Zyphra
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

571

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии