Americká firma Zyphra vydala nový model pro převod textu na řeč s názvem ZONOS3-Mini. Je postavený pro okamžitou práci přímo na zařízení uživatele a využívá architekturu směsi expertů s 800 miliony parametrů, z nichž je aktivních jen 100 milionů. Díky tomu zvládne plynulý projev v reálném čase na telefonech i noteboocích, a to včetně běhu ve webovém prohlížeči.
Menší a rychlejší než předchůdce
Zyphra s novinkou reaguje na hlavní slabinu předchozí verze. Model ZONOS2 měl 8 miliard parametrů a právě tato velikost omezovala, kde ho šlo nasadit. Trénink nového modelu přitom netrval dlouho, firma ho připravila za dva a půl dne na 112 grafických kartách Nvidia H100.
Na rychlosti je to znát. Na jedné kartě H100 začne model při osmi souběžných požadavcích vracet zvuk zhruba za 80 milisekund a v nejlepším případě vyrobí 457 vteřin nahrávky za jedinou sekundu. Jedno spuštění zvládne až deset minut záznamu ve vzorkovací frekvenci 44,1 kHz.
Klonování hlasu i vlastní postavy
Model umí dvě hlavní věci. Dokáže napodobit hlas podle zvukové ukázky, nebo vytvořit úplně novou postavu podle zadaného věku, přízvuku a barvy projevu. Uživatel může ovládat emoce, tempo i přednes až na úroveň jednotlivých slov, což se hodí pro hry, namlouvání textů a hlasové asistenty. K dispozici je i samostatný editační model, kterým lze upravit věty už po vygenerování.
Českého uživatele potěší jazyková výbava. ZONOS3-Mini podporuje 43 jazyků a mezi středoevropskými a východoevropskými nechybí čeština ani slovenština. Pro rychlý start nabízí 27 přednastavených hlasů rozdělených podle jazyků.
Výsledky testů vypadají dobře, ale s výhradami. V režimu s hlasovým otiskem získal model v souhrnném indexu 66,2 bodu, zatímco Fish Audio S2 Pro dosáhl 61,7 a MOSS-TTS v1.5 60,2 bodu. Test ale navrhla a spustila sama Zyphra. Při klonování přímo z referenční nahrávky model získal jen 44,7 bodu a v hodnocení kvality zvuku zaostává za modely Fish S2 Pro i Qwen3-TTS.
Kde a jak ho vyzkoušet
Váhy modelu firma uvolnila pod licencí Apache 2.0, takže je lze stáhnout a používat zdarma. Kdo nechce nic instalovat, může sáhnout po hostované verzi v Zyphra Cloud.
Nejjednodušší cesta vede přes prohlížeč. Model tam běží celý na grafické kartě uživatele přes technologii WebGPU, bez instalace a bez serveru. Při první návštěvě se stáhne a systém si ho uloží pro příště. Vývojáři mají k dispozici i vlastní prostředí od Zyphry, konkrétně server pro karty Nvidia, verzi pro čipy Apple Silicon a server v jazyce C++, který poběží na procesoru i grafikách přes CUDA, Metal nebo Vulkan. Přes SGLang-Omni lze model nasadit za rozhraní kompatibilní s OpenAI, včetně průběžného přehrávání zvuku a klonování hlasu bez nutnosti přepisu ukázky.
Zdroje: huggingface.co a marktechpost.com



