「ZONOS3-Mini」43言語対応音声合成モデル:配布ファイル一覧

作例は配布元のモデルカードで公開されています。
基本情報
| 項目 | 内容 |
|---|---|
| リポジトリ | Zyphra/ZONOS3-Mini |
| まとめページ | ZONOS3 のまとめ(記事1本) |
| 公開日 | 2026-11-09 |
| ライセンス | apache-2.0 |
| 配布形式 | safetensors / GGUF / PyTorch (pth) / PyTorch (bin) |
| 出典の種類 | 公開元の一次情報(公式HFリポジトリから直接取得した一次情報) |
情報を集めた時点で、当サイトのコードが確定させた値です。日付はJSTで表示しています。
概要
ZONOS3-Mini は Zyphra が公開したオープンソースのテキスト→音声(TTS)モデルです。テキストを入力すると音声が出力されます。参照音声からの声のクローンにも対応しています。モデルカードによると、アクティブパラメータ1億で動作し、スマートフォンやノートPC、ブラウザ上でもリアルタイムに動くとされています。
年齢・アクセント・声質を指定して声を設計したり、感情・話速・抑揚を単語単位で調整したりできるとされています。ゲーム、ナレーション、音声アシスタントが想定用途です。公式のモデルカードに基づく情報です。
スペック
- パラメータ数: 合計8億、トークンあたりのアクティブは約1億(1億)です。latent MoE(64エキスパート、top-2ルーティング、レイヤー1から適用)を採用しています。
- アーキテクチャ: 11層、モデル次元1,024。Gated DeltaNet(GDN)9層とグローバルアテンション2層のハイブリッドで、コンテキストは32,768ポジションです。
- テキスト処理: 8,192エントリの SuperBPE トークナイザーを使います。推論時に NeMo によるテキスト正規化を行います。正規化の対象は英語、中国語、日本語、韓国語、ドイツ語、スペイン語、フランス語、イタリア語、ポルトガル語で、他の言語は入力のまま通します。
- 音声トークン: 15Hz、44.1kHz のデュアルエンコーディングコーデック(ZAC 1)です。10個×4,096エントリのコードブック(セマンティック1、アコースティック9)で構成されます。1回の生成で最大10分の音声を出力できます。
- デコーダー: 因果的マルチレゾリューション iSTFT ヘッドです。既定は
full_mrで、枝刈り版のkeep2_plainは約3倍高速なデコードとされています。 - 出力: 44.1kHz の音声です。ストリーミング出力にも対応します。
- 話者プロンプト: 参照クリップ(最大60秒、話者CFG付き)、または192次元の話者埋め込み1本のどちらかを使います。
- 制御項目: 音量(LUFS、10段階)、帯域幅 f_max(10段階)、話速(UTF-8バイト毎秒、30段階)です。
- 対応言語: 43言語です。欧州言語に加え、アラビア語、ヒンディー語、タミル語、ベトナム語、タイ語、日本語、韓国語、中国語(Mandarin)などを含みます。
- 精度: 重みは bf16、デコーダーヘッドは fp32 で動作します。
- ライセンス条件: モデルの重みは Apache 2.0 で公開されています。
- 既定ボイス: 27種類が付属します。
性能・品質
モデルカードは、H100 80GB 1枚での品質と速度の比較図を掲載しています。ただし数値表はカード本文になく、比較対象の他モデル名やスコアは資料から確認できませんでした。以下は Zyphra 自身の公表値です。
- 品質指標: ZTTS2-Eval の55言語サブセットでの話者類似度(macro)と WER(macro)を組み合わせた値です。FLEURS-R の読み上げ音声(35言語)と VoxBlink2 の実環境録音(20言語)が対象で、ZONOS3-Mini は話者埋め込みプロンプトで測定されています。
- 初回音声までの時間(中央値): 同時8リクエストで80ミリ秒です。
- ピークスループット: 1秒あたり457秒分の音声です。
WER は書き起こしの単語誤り率で、低いほど良い指標です。この品質指標は話者類似度と WER を組み合わせたものです。ZTTS2 能力指数を含む詳細な結果は、公式ブログに掲載されているとされています。他モデルとの優劣は、本文の資料だけでは判断できません。
得意なこと・想定用途
モデルカードが挙げる用途は、ゲーム、ナレーション、音声アシスタントです。参照音声から声をクローンできるほか、年齢・アクセント・声質を指定してキャラクターの声を設計できるとされています。感情・話速・抑揚は単語単位で調整できると説明されています。
タグには text-to-speech、voice-cloning、multilingual があり、43言語に対応します。1回の生成で最大10分の音声を出力でき、ストリーミング出力にも対応します。そのため、長めのナレーションや、低遅延が求められる対話用途に向きます。
また、スマートフォンやノートPC、ブラウザ上でもリアルタイムに動くとされています。サーバーを立てずに手元で完結させたい用途にも合います。
配布ファイル
Zyphra/ZONOS3-Mini で配布されている重みファイルを、Hugging FaceのAPIから当サイトが並べたものです。サイズは実ファイルの値です。
| ファイル | サイズ |
|---|---|
autoencoder/generator.pt |
7.96GB |
autoencoder/heads/full_mr/step_0050000.pt |
4.01GB |
autoencoder/heads/keep2_plain/step_0050000.pt |
518MB |
autoencoder/teacher/model.safetensors |
774MB |
gguf/edit/accents.gguf |
257MB |
gguf/spk-encoder.gguf |
45MB |
gguf/ssl-teacher.gguf |
1.55GB |
gguf/steer.gguf |
0MB |
gguf/zac-encoder.gguf |
4.03GB |
gguf/zac-keep2.gguf |
452MB |
gguf/zac.gguf |
2.20GB |
gguf/zonos3-ptq-edit.gguf |
663MB |
gguf/zonos3-ptq.gguf |
663MB |
lm/zonos3_mini/model.pth |
1.77GB |
speaker_encoders/ownmect_s2/ckpt_0037.pth |
50MB |
web/aligner/shard-000.bin |
58MB |
web/aligner/shard-001.bin |
61MB |
web/aligner/shard-002.bin |
66MB |
web/aligner/shard-003.bin |
61MB |
web/aligner/shard-004.bin |
65MB |
ほか88件はHugging Faceで確認できます。
入手方法
モデルは Hugging Face の Zyphra/ZONOS3-Mini で公開されています。ゲート(利用規約への同意)はなく、同意なしで入手できます。配布形式は safetensors、GGUF、PyTorch(pth / bin)です。GGUF は gguf/ 以下、WebGPU 用のシャードは web/ 以下にあります。27種類の既定ボイスは gguf/voices/ に入っています。
ブラウザで試す
WebGPU 対応ブラウザなら、インストールもサーバーも不要で、自分のGPU上で動かせます。初回アクセス時にモデルをダウンロードし、以降はブラウザがキャッシュします。
- Zonos Voice Studio: フル機能のスタジオです。
- Lite: 声を選ぶ、アップロードする、または録音して、すぐにクローン音声で話せます。
SGLang-Omni で動かす
NVIDIA GPU 向けに、OpenAI互換の /v1/audio/speech エンドポイントで提供できます。ストリーミングと、参照クリップ(書き起こし不要)からの声のクローンに対応します。導入は SGLang-Omni のインストールガイドに従ってください。サーバーは次のコマンドで起動します。
sgl-omni serve --model-path Zyphra/ZONOS3-Mini --port 8000
curl http://localhost:8000/health が "healthy" を返したら、既定ボイスで音声を生成できます。
curl -X POST http://localhost:8000/v1/audio/speech \
-H "Content-Type: application/json" \
-d '{"input": "Hello from ZONOS3-Mini!"}' \
--output output.wav
声をクローンするには "references": [{"audio_path": ""}] を追加します。44.1kHz 音声をストリーミングするには "stream": true, "response_format": "pcm" を追加します。クローンやサンプリングオプションの詳細は ZONOS3 cookbook にあります。
ネイティブランタイム
ZONOS3-Mini の GitHub リポジトリに、Zyphra 自身のランタイムがあります。共通の HTTP API を持ち、Zonos Voice Studio にも使われています。
- NVIDIA GPU 向けの CUDA サーバー
- Apple Silicon 向けの MLX サーバー
- C++/ggml のサーバーと CLI(CPU、CUDA、Metal、Vulkan)
- ブラウザ内の WebGPU ビルド
ホスト版として Zyphra Cloud も用意されています。
手元で動かせるか
公開元の配布形式は safetensors / GGUF / PyTorch (pth) / PyTorch (bin) です。
ライセンス apache-2.0(商用利用可): 商用利用を含めて自由に利用・改変・再配布できます。再配布時にライセンス文と変更点の告知が必要で、特許の許諾条項があります。
配布形式とライセンス表記から当サイトのコードが組み立てた判定です。ライセンスの要約は法的助言ではないため、実際の利用にあたっては公開元の原文を確認してください。
派生版・量子化版
→ 横にスクロールできます
| 追記日 | 配布元 | 形式 | リポジトリ | 最小のVRAM階層(量子化・必要メモリの目安) |
|---|---|---|---|---|
| 2026-11-16 | ggml-org | GGUF | ggml-org/ZONOS3-Mini-GGUF | BF16 1.8GB(4GB VRAMで動作) |
各リポジトリの量子化とファイルサイズ:
- ggml-org/ZONOS3-Mini-GGUF の量子化: Q8_0 0.8GB / BF16 1.5GB
このほか、上記以外の投稿者による変換版が 5 件あります(当サイトは公開元自身と、実績のある量子化担当の配布だけを表に載せています)。
この節は、記事公開後に見つかった変換版を当サイトが機械的に追記したものです。必要メモリは配布ファイルのサイズから算出した概算です。 量子化の名前の読み方は用語集にあります。
同じ用途の既報モデル
当サイトが取り上げた音声のモデルを新しい順に並べています。用途は配布元がHugging Faceに付けたタスク(pipeline_tag)から機械的に分けたもので、最小のVRAM階層は当サイトの概算です。
- 「TTS-V5」中国語音声合成モデル:必要VRAM 4GB〜・配布ファイル一覧(4GB)
- 「TTS-V4」中国語音声合成モデル:必要VRAM 8GB〜・配布ファイル一覧(1.9B・8GB)
- 「tiny-voca」英語の音声合成モデル:必要VRAM 4GB〜・配布ファイル一覧(4GB)
- 「TTS-V3」電話対話特化の音声合成モデル:必要VRAM 8GB〜・配布ファイル一覧(1.9B)
次に読むなら
- 同じモデル系統を調べる → ZONOS3 系統のまとめ(記事1本・変換版1件)
- このモデルを入手できる形式を調べる → GGUF形式の解説と対応モデル
- 記事に出てくる WER の読み方を知る → ベンチマーク用語集
出典
- https://huggingface.co/Zyphra/ZONOS3-Mini
- https://www.zyphra.com/our-work/zonos3-mini
- https://github.com/Zyphra/ZONOS3-Mini
- https://github.com/sgl-project/sglang-omni/blob/main/docs/cookbook/zonos3.md
- https://github.com/sgl-project/sglang-omni/blob/main/docs/get_started/installation.md
- https://cloud.zyphra.com/models/zyphra/ZONOS3-Mini

