Компания Zyphra представила ZONOS3-Mini — модель преобразования текста в речь с открытым исходным кодом, содержащую 100 миллионов активных параметров. Обучение модели заняло 2,5 дня с использованием 112 графических процессоров NVIDIA H100. Новинка предназначена для работы на устройствах в реальном времени и стала компактной альтернативой ZONOS2 с 8 миллиардами параметров.
Инструменты управления позволяют настраивать возраст, пол, акцент и текстуру голоса с помощью векторов эмбеддингов. Параметры доставки, такие как темп, эмоции и проекция, регулируются через активационное управление. Также предусмотрена модель редактирования на базе рецепта VoiceCraft, позволяющая изменять предложения после генерации.
Тестирование проводилось на собственном бенчмарке компании ZTTS2-Eval, включающем 35 языков чистой речи и 20 языков записей из реальных условий. В режиме эмбеддинга спикера ZONOS3-Mini набрала 66,2 балла по индексу возможностей, опередив Fish Audio S2 Pro с 61,7 балла и MOSS-TTS v1.5 с 60,2 балла.
На наборе данных с чистой речью модель показала уровень ошибок в словах 7,79 и коэффициент сходства голоса 83,4. При этом в режиме эталонного клипа индекс составил 44,7. Качество по шкале MSR-UTMOS у ZONOS3-Mini равно 3,07, что уступает показателям Fish S2 Pro (3,16) и Qwen3-TTS 1.7B (3,54).
