Zyphra rilascia ZONOS3-Mini, una sintesi vocale aperta che clona la voce ed è eseguibile nel browser
Zyphra pubblica sotto licenza Apache 2.0 ZONOS3-Mini, un modello di sintesi vocale da 800 milioni di parametri di cui 100 milioni attivi, capace di clonare una voce da un estratto e regolare accento, età, emozione o ritmo fino alla singola parola. Funziona in tempo reale su laptop, smartphone e nel browser.
Clonare una voce in pochi secondi non richiede più un server. Zyphra, laboratorio californiano noto per i suoi modelli aperti, ha pubblicato ZONOS3-Mini, una sintesi vocale rilasciata sotto licenza Apache 2.0 che funziona su uno smartphone ed è eseguibile direttamente nel browser.
Ridotto nei calcoli, grande nei parametri
ZONOS3-Mini è un modello a miscela di esperti: 800 milioni di parametri in totale, ma solo un centinaio di milioni utilizzati in ogni istante. Zyphra spiega di aver ridotto i requisiti computazionali su più livelli: un nuovo codec audio proprietario (ZAC-1) che suddivide il suono in 15 fotogrammi al secondo invece degli 86 del codec impiegato per ZONOS2, un’architettura ibrida mutuata dai modelli linguistici di grandi dimensioni e due fasi di post-addestramento dedicate alla robustezza. Secondo l’azienda, l’addestramento ha richiesto 2,5 giorni su 112 GPU H100.
Il risultato annunciato: il primo suono arriva in meno di 570 ms nel browser di un Pixel 9 e in meno di 150 ms su un MacBook Air M3. Sulla pagina Hugging Face, Zyphra mette a disposizione uno studio vocale eseguibile interamente sulla GPU dell’utente tramite WebGPU, oltre a server compatibili con Nvidia, Apple Silicon e CPU.
Clonare, progettare, dirigere
Il modello clona una voce a partire da un frammento audio lungo fino a un minuto, senza necessità di trascrizione. Consente inoltre di «comporre» una voce intervenendo su età, genere, accento e texture (morbida, roca), per poi dirigerne l’interpretazione: emozione, ritmo, proiezione, espressività e persino la possibilità di sussurrare soltanto una parte di frase. Un modello di editing consente inoltre di modificare una frase già generata. La normalizzazione del testo copre nove lingue, tra cui il francese, e include 27 voci predefinite.
Parallelamente, Zyphra ha pubblicato il benchmark ZTTS2-Eval e un indice comparativo che colloca ZONOS3-Mini in testa ai modelli aperti, davanti a Fish S2 Pro e MOSS TTS v1.5. Si tratta di una valutazione elaborata dallo sviluppatore del modello.
La nostra lettura
Per creator, studi di sviluppo di videogiochi o sviluppatori di assistenti virtuali, un modello di tale qualità annunciata, aperto, con licenza permissiva e in grado di funzionare offline cambia le valutazioni economiche rispetto ai servizi a pagamento al minuto. Questa stessa accessibilità solleva però il tema della clonazione non consensuale: la licenza Apache 2.0 non impone alcuna restrizione d’uso e nulla nell’annuncio impedisce di clonare la voce di terzi a partire da un estratto. Sul fronte della qualità, i confronti provengono dal benchmark interno di Zyphra; saranno i test di ascolto indipendenti, in particolare in francese, a confermare se il modello manterrà le promesse.
Fonti
- Zyphra — ZONOS3-Mini (9 novembre 2026) Fonte primaria
- Hugging Face — Zyphra/ZONOS3-Mini Fonte primaria
Una fonte primaria proviene direttamente dall'azienda, dal laboratorio o dall'ente interessato. Una fonte secondaria riporta l'informazione senza esserne l'autrice: la segnaliamo come tale. Un errore? Consulta la nostra politica di rettifica.
