К содержимому
Аудио

ZONOS3-Mini-transformers

компактный синтез речи на 43 языка с клонированием голоса

2 мин чтенияобновлено

ZONOS3-Mini от команды Zyphra — это лёгкая модель для преобразования текста в речь (TTS), которая поддерживает 43 языка, включая русский, и умеет копировать тембр по короткому аудиофрагменту. Данный репозиторий представляет собой нативный порт модели под библиотеку transformers, поэтому для запуска не требуется разрешать выполнение стороннего кода (trust_remote_code). В основе лежит гибридная архитектура с разреженными экспертами (latent MoE — механизм, при котором для каждого токена активируется лишь малая часть параметров), благодаря чему при общем объёме 0,9 млрд параметров на токен задействуется всего около 100 млн. Модель подойдёт разработчикам голосовых ассистентов, сервисов озвучки и локальных ботов, где важна высокая скорость работы и поддержка множества языков.

Ключевые особенности

  • 43 языка из коробки: поддержка русского, английского, европейских и азиатских языков в одной модели.
  • Клонирование голоса и 27 пресетов: в комплекте идут 27 готовых голосов, а также возможность скопировать любой другой голос по референсному аудио длительностью до 60 секунд с частотой 44,1 кГц.
  • Гибкая настройка подачи: можно управлять громкостью, скоростью речи, частотой (fmax) и степенью схожести с образцом через speaker_guidance.
  • Нативная интеграция с transformers: работает через стандартные классы AutoModelForTextToWaveform и AutoProcessor с использованием аудиокодека ZAC-1.

Что можно сделать

  • Создать мультиязычного голосового бота: озвучивать ответы нейросети на русском и других языках с низкой задержкой за счёт 100 млн активных параметров.
  • Озвучивать видео и подкасты: использовать один из 27 встроенных голосов или клонировать собственный голос по короткой записи для генерации реплик.
  • Автоматизировать чтение текстов и цифр: подключить пакет zyphra-textnorm для корректного проговаривания дат, валют, чисел и единиц измерения.

Пример

from huggingface_hub import hf_hub_download
from safetensors.torch import load_file
from transformers import AutoModelForTextToWaveform, AutoProcessor

model_id = "Zyphra/ZONOS3-Mini-transformers"
processor = AutoProcessor.from_pretrained(model_id)
model = AutoModelForTextToWaveform.from_pretrained(model_id, device_map="auto")
voice = load_file(hf_hub_download(model_id, "voices/Savannah.safetensors"))
inputs = processor.apply_chat_template([{"role": "user", "content": "Hello!"}], tokenize=True, return_dict=True, processor_kwargs={"speaker_reference_codes": [voice["codes"]]}).to(model.device)
processor.save_audio(processor.decode(model.generate(**inputs)), "zonos3_mini.wav")
ПодробнееАрхитектура: 11 слоёв (9 Gated DeltaNet + 2 global attention), latent MoE на 64 эксперта (top-2 routing), контекст 32 768 токенов.
Токенизация и звук: текстовый токенизатор SuperBPE (8 192 токена), аудиокодек ZAC-1 на 15 Гц с 10 кодовыми книгами, частота дискретизации 44,1 кГц.
Формат весов: языковая часть в bfloat16, кодировщик диктора MECT-B2 (192-мерный эмбеддинг) в float32.
Лицензия: Apache-2.0.
Обсудить Telegram 3 10

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 1.7 GB · готовые файлы2.4 GB
  • FP8 / INT8рекомендуемвеса 0.8 GB1.4 GB
  • 4-bitвеса 0.5 GB1.0 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-transformers
    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-transformers --local-dir ~/models/ZONOS3-Mini-transformers
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к ZONOS3-Mini-transformers
  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-transformers
Автор
Zyphra
Категория
Аудио
Дата выхода
На сайте

На сайте

Hugging Face

103

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Аудио

Fleet-2

Fleet-2