Zyphra 发布 ZONOS3-Mini：仅 1 亿激活参数的开源 TTS 模型
内容提要
Zyphra发布开源TTS模型ZONOS3-Mini，采用稀疏MoE架构，总参数8亿、每token激活约1亿，支持零样本语音克隆与词级表达控制，Apache 2.0协议。可在浏览器WebGPU、Apple Silicon、CPU及服务器GPU上实时运行，单块H100上首字节音频中位数80毫秒。在Zyphra自建基准上居开源模型首位，但测试均为自报，参考片段克隆模式得分明显偏低。
延伸解读
稀疏MoE带来的部署灵活性
ZONOS3-Mini总参数8亿但每token仅激活约1亿，这种稀疏设计让模型在保持较小计算量的同时拥有更大容量。文章显示它能在浏览器WebGPU、Apple Silicon、CPU及服务器GPU上实时运行，说明激活参数少直接降低了端侧推理门槛。对开发者而言，这意味着同一模型可覆盖从手机到服务器的多种部署场景，而不必为不同硬件准备不同模型。
自报基准的参考价值与局限
文章明确指出所有基准均由Zyphra自己构建并执行，未经独立验证。ZONOS3-Mini在ZTTS2能力指数上以66.2分居开源首位，但参考片段克隆模式得分仅44.7，远低于嵌入模式的66.2。此外其干净集MSR-UTMOS质量分3.07落后于Fish S2 Pro和Qwen3-TTS。读者应将这些排名视为厂商自评，实际选型时需结合自身场景验证。
延迟数据需结合硬件解读
文章给出的延迟数字来自不同设备：单块H100、8路并发下首字节音频中位数80毫秒，M3 MacBook Air上不到150毫秒，Pixel 9浏览器中约570毫秒以内。这些数据覆盖服务器到手机，但各延迟使用不同GPU，不能直接互比。开发者应关注目标硬件对应的数值，而非只看最佳成绩，同时注意峰值吞吐457秒音频/秒是在H100特定并发下测得。
词级控制与克隆模式的选择
ZONOS3-Mini支持零样本语音克隆，可接受最长60秒原始参考音频或192维说话人嵌入。表达控制通过激活引导覆盖语速、情绪等，并能在流式生成中作用于特定词。但文章显示参考片段克隆模式得分明显偏低，嵌入模式表现更好。若应用依赖上传音频片段克隆，需先评估该模式的实际效果，而非直接采用嵌入模式的基准成绩。
Q&A
ZONOS3-Mini 是什么？它有什么主要特点？
ZONOS3-Mini 是 Zyphra 发布的开源文本转语音（TTS）模型，采用稀疏混合专家（MoE）架构，总参数 8 亿，每 token 激活约 1 亿参数。它支持零样本语音克隆和词级表达控制，权重以 Apache 2.0 协议发布，可在浏览器 WebGPU、Apple Silicon、CPU 及服务器 GPU 上实时运行。
ZONOS3-Mini 的架构有哪些创新？
ZONOS3-Mini 在技术栈三层做了改动：1）采用自研的 Zyphra Audio Codec 1（ZAC-1）编解码器，以 15 Hz 运行，包含 10 个码本（1 个语义码本和 9 个声学码本），相比 DAC 词错误率降低 10 倍；2）混合 MoE 主干包含 11 层、模型维度 1,024，序列混合按 3:1 比例（9 层 Gated DeltaNet 加 2 层全局注意力），并加入潜在 MoE、Q 平衡和注意力残差；3）说话人编码器从 Qwen3-TTS 的改为 MECT-B2，可接受最长 60 秒原始参考音频或 192 维说话人嵌入。
ZONOS3-Mini 的基准测试表现如何？有哪些需要注意的地方？
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得分为 66.2，位列开源模型第一（Fish Audio S2 Pro 为 61.7，MOSS-TTS v1.5 为 60.2）。干净集上 WER 为 7.79，说话人相似度为 83.4。但需注意：所有基准均由 Zyphra 自己构建并执行，未经独立验证；参考片段克隆模式的指数得分仅为 44.7，明显偏低；干净集 MSR-UTMOS 质量分 3.07，落后于 Fish S2 Pro（3.16）和 Qwen3-TTS 1.7B（3.54）。
ZONOS3-Mini 的延迟和吞吐表现怎么样？
在单块 H100、8 路并发请求下，首字节音频（TTFA）中位数为 80 毫秒，峰值吞吐为每秒生成 457 秒音频。在 Pixel 9 浏览器中首字节音频约 570 毫秒以内，在 M3 MacBook Air 上不到 150 毫秒。
开发者如何部署 ZONOS3-Mini？
根据 GitHub 仓库，共有 4 条官方部署路径：1）浏览器：通过 WebGPU 演练场直接在 GPU 上运行，无需安装或服务器；2）NVIDIA 服务器：使用 SGLang-Omni 提供兼容 OpenAI 的 /v1/audio/speech 接口，支持流式输出；3）原生部署：面向 Apple Silicon 的 MLX 服务器，以及面向 CPU、CUDA、Metal 或 Vulkan 的 C++/ggml 服务器与命令行工具；4）托管服务：Zyphra Cloud，运行在 NVIDIA H200 上。
ZONOS3-Mini 的词级语音控制是如何实现的？
身份类控制通过说话人嵌入向量和口音任务向量，覆盖年龄、性别、口音和音质。表达类控制通过激活引导（activation steering），覆盖语速、情绪、投射感和生动度。学习得到的对齐头让引导可以在流式生成过程中作用于特定词。此外，还有一个基于 VoiceCraft 方案的独立编辑模型，可以在生成之后修改句子。
