Zyphra 发布 ZONOS3-Mini：100M 激活参数的开源 TTS 模型

核心事实

据 MarkTechPost 报道，Zyphra 发布了开源文本转语音模型 ZONOS3-Mini，定位为可在本地设备上实时运行。该模型采用稀疏混合专家（MoE）架构，总参数 800M、每 token 约 100M 激活参数，共 64 个专家、top-2 路由，上下文长度 32,768，单次生成最长约 10 分钟音频。模型权重以 Apache 2.0 许可发布，支持零样本声音克隆和词级表达控制。

官方给出的部署路径包括：通过 SGLang-Omni 在 NVIDIA GPU 上服务、通过 MLX 在 Apple Silicon 上运行、通过 ggml 支持 CPU/CUDA/Metal/Vulkan，以及在浏览器中通过 WebGPU 运行。Zyphra 称其在一张 H100、8 路并发请求下首音频中位延迟为 80 毫秒。

背景与影响

ZONOS3-Mini 的前代 ZONOS2 使用 8B 参数与 86 Hz 编解码器，规模限制了部署场景。新模型改用自研的 Zyphra Audio Codec 1（ZAC-1），帧率 15 Hz，并采用 9 层 Gated DeltaNet 与 2 层全局注意力混合的骨干，说话人编码器换为 MECT-B2，可接受最长 60 秒的参考音频或单个 192 维说话人嵌入。Zyphra 表示模型在 112 张 H100 上训练 2.5 天。

在 Zyphra 自建的 ZTTS2-Eval 基准上，ZONOS3-Mini 在说话人嵌入模式下能力指数为 66.2，高于 Fish Audio S2 Pro 的 61.7 和 MOSS-TTS v1.5 的 60.2；干净集词错率 7.79、说话人相似度 83.4。不过其干净集 MSR-UTMOS 音质分为 3.07，低于 Fish S2 Pro 的 3.16 与 Qwen3-TTS 1.7B 的 3.54。

限制与来源

需注意，上述基准均由 Zyphra 自行构建和运行，尚未获独立验证；参考音频克隆模式的能力指数仅为 44.7，明显低于嵌入模式。延迟数据在不同 GPU 上测得，不可直接横向比较。浏览器端在 Pixel 9 上首音频延迟低于 570 毫秒，在 M3 MacBook Air 上低于 150 毫秒，均为厂商自报。模型未公布官方支持语言列表，评测覆盖 35 种语言。具体功能、许可与部署方式请以 Zyphra 官网及 GitHub 仓库当前信息为准。本文来源为 MarkTechPost。