Zyphra publica ZONOS3-Mini, una síntesis de voz abierta que clona voces y se ejecuta en el navegador
Zyphra publica bajo licencia Apache 2.0 ZONOS3-Mini, un modelo de síntesis de voz de 800 millones de parámetros con 100 millones activos, capaz de clonar una voz a partir de un fragmento y ajustar acento, edad, emoción o ritmo hasta nivel de palabra. Funciona en tiempo real en portátiles, teléfonos y en el navegador.
Clonar una voz en cuestión de segundos ya no exige recurrir a un servidor. Zyphra, laboratorio californiano conocido por sus modelos abiertos, publica ZONOS3-Mini, un sistema de síntesis de voz bajo licencia Apache 2.0 que cabe en un teléfono móvil y se ejecuta directamente en el navegador.
Ligero en cómputo, grande en parámetros
ZONOS3-Mini es un modelo con arquitectura de mezcla de expertos: 800 millones de parámetros en total, pero solo alrededor de un centenar de millones activos en cada instante. Zyphra explica haber reducido los requisitos en varios niveles: un nuevo códec de audio propio (ZAC-1) que divide el sonido en 15 fotogramas por segundo en lugar de los 86 del códec empleado en ZONOS2, una arquitectura híbrida tomada de los grandes modelos de lenguaje y dos fases de postentrenamiento orientadas a la robustez. El entrenamiento requirió 2,5 días en 112 GPU H100, según la empresa.
El resultado anunciado: el primer sonido se emite en menos de 570 ms en el navegador de un Pixel 9 y en menos de 150 ms en un MacBook Air M3. En la página de Hugging Face, Zyphra ofrece un estudio vocal que se ejecuta íntegramente en la GPU del usuario mediante WebGPU, además de servidores para Nvidia, Apple Silicon y CPU.
Clonar, diseñar, dirigir
El modelo clona una voz a partir de un fragmento de hasta un minuto de duración, sin necesidad de transcripción. Permite asimismo «componer» una voz modificando edad, género, acento y textura (suave, ronca), para luego dirigir la interpretación: emoción, ritmo, proyección, expresividad e incluso susurrar únicamente una parte de la frase. Un modelo de edición permite retocar frases ya generadas. La normalización de texto abarca nueve idiomas, incluido el francés, y se facilitan 27 voces por defecto.
En paralelo, Zyphra publica un banco de pruebas, ZTTS2-Eval, y un índice que sitúa a ZONOS3-Mini a la cabeza de los modelos abiertos, por delante de Fish S2 Pro y MOSS TTS v1.5. Se trata de una evaluación diseñada por la propia empresa desarrolladora del modelo.
Nuestro análisis
Para creadores, estudios de videojuegos o desarrolladores de asistentes, un modelo con este nivel de calidad anunciado, abierto, con licencia permisiva y capaz de funcionar sin conexión replantea los costes frente a los servicios de pago por minuto. Esa misma facilidad suscita dudas sobre la clonación no consentida: la licencia Apache 2.0 no impone restricciones de uso y nada en el anuncio impide clonar la voz de un tercero a partir de una muestra de audio. En cuanto al rendimiento, las comparaciones proceden del banco de pruebas de Zyphra; las pruebas de escucha independientes, en particular en francés, confirmarán si el modelo cumple lo prometido.
Fuentes
- Zyphra — ZONOS3-Mini (9 de noviembre de 2026) Fuente primaria
- Hugging Face — Zyphra/ZONOS3-Mini Fuente primaria
Una fuente primaria procede directamente de la empresa, el laboratorio o la organización implicados. Una fuente secundaria recoge la información sin ser su autora: la señalamos como tal. ¿Has visto un error? Consulta nuestra política de correcciones.
