Zyphra veröffentlicht ZONOS3-Mini: offene Sprachsynthese klont Stimmen und läuft direkt im Browser
Zyphra veröffentlicht ZONOS3-Mini unter Apache-2.0-Lizenz: ein Sprachsynthesemodell mit 800 Millionen Parametern, von denen 100 Millionen aktiv sind. Es kann Stimmen anhand einer Hörprobe klonen und Akzent, Alter, Emotion oder Sprechtempo bis auf Wortebene anpassen – in Echtzeit auf Laptops, Smartphones und im Browser.
Das Klonen einer Stimme innerhalb weniger Sekunden erfordert keinen Server mehr. Zyphra, ein kalifornisches Forschungslabor, das für seine offenen Modelle bekannt ist, veröffentlicht ZONOS3-Mini, eine Sprachsynthese unter Apache-2.0-Lizenz, die auf ein Smartphone passt und direkt im Browser läuft.
Wenig Rechenaufwand, viele Parameter
ZONOS3-Mini ist ein Mixture-of-Experts-Modell: 800 Millionen Parameter insgesamt, von denen jedoch zu jedem Zeitpunkt nur rund 100 Millionen beansprucht werden. Zyphra erklärt, den Rechenaufwand auf mehreren Ebenen gesenkt zu haben: ein neuer hauseigener Audio-Codec (ZAC-1), der den Ton in 15 Frames pro Sekunde anstelle von 86 wie noch beim Codec von ZONOS2 zerlegt, eine von großen Sprachmodellen entlehnte Hybridarchitektur und zwei Post-Training-Phasen zur Erhöhung der Robustheit. Das Training dauerte laut Anbieter 2,5 Tage auf 112 H100-GPUs.
Das angekündigte Ergebnis: Die Audioausgabe startet im Browser eines Pixel 9 nach weniger als 570 ms und auf einem MacBook Air M3 nach weniger als 150 ms. Auf der Hugging-Face-Seite stellt Zyphra ein Sprachstudio bereit, das über WebGPU vollständig auf der GPU des Nutzers läuft, sowie Serverlösungen für Nvidia, Apple Silicon und CPUs.
Klonen, gestalten, inszenieren
Das Modell klont eine Stimme anhand einer Hörprobe von bis zu einer Minute Dauer – ohne Transkription. Es ermöglicht auch, eine Stimme zu „komponieren“, indem Alter, Geschlecht, Akzent und Textur (sanft, kratzig) angepasst werden, und anschließend die Interpretation zu steuern: Emotion, Sprechtempo, Projektion, Expressivität und sogar das Flüstern auf einzelnen Satzabschnitten. Ein Bearbeitungsmodell erlaubt es, bereits generierte Sätze nachträglich zu verändern. Die Textnormalisierung deckt neun Sprachen ab, darunter Französisch, und 27 Standardstimmen werden mitgeliefert.
Zyphra veröffentlicht parallel dazu einen Benchmark, ZTTS2-Eval, sowie einen Index, der ZONOS3-Mini an die Spitze der offenen Modelle setzt – vor Fish S2 Pro und MOSS TTS v1.5. Diese Auswertung stammt allerdings vom Entwickler des Modells selbst.
Unsere Einschätzung
Für Kreative, Gamestudios oder Entwickler von Sprachassistenten verändert ein Modell dieser versprochenen Qualität – offen, freizügig lizenziert und offline lauffähig – die Rechnung gegenüber minutengenau abgerechneten Bezahldiensten grundlegend. Dieselbe Einfachheit wirft jedoch Fragen zum nicht einvernehmlichen Klonen auf: Die Apache-2.0-Lizenz setzt der Nutzung keinerlei Grenzen, und in der Ankündigung deutet nichts darauf hin, dass das Klonen von Drittstimmen aus einem Audioausschnitt verhindert würde. Was die Qualität betrifft, so stammen die Vergleiche aus Zyphras eigenem Benchmark; unabhängige Hörtests, insbesondere auf Französisch, müssen erst noch beweisen, ob das Modell das Versprechen einlösen kann.
Quellen
- Zyphra — ZONOS3-Mini (9. November 2026) Primärquelle
- Hugging Face — Zyphra/ZONOS3-Mini Primärquelle
Eine Primärquelle stammt direkt von dem betreffenden Unternehmen, Labor oder der Organisation. Eine Sekundärquelle gibt die Information wieder, ohne ihr Urheber zu sein: Wir kennzeichnen sie als solche. Einen Fehler entdeckt? Lesen Sie unsere Korrekturrichtlinie.
