Das US-amerikanische Unternehmen Zyphra hat ein neues Text-zu-Sprache-Modell namens ZONOS3-Mini veröffentlicht. Es wurde für den sofortigen Einsatz direkt auf dem Gerät des Nutzers entwickelt und nutzt eine Mixture-of-Experts-Architektur mit 800 Millionen Parametern, von denen nur 100 Millionen aktiv sind. Dadurch ermöglicht es flüssige Sprachausgabe in Echtzeit auf Smartphones und Notebooks, einschließlich der Ausführung in einem Webbrowser.
Kleiner und schneller als der Vorgänger
Mit der Neuheit reagiert Zyphra auf die größte Schwäche der vorherigen Version. Das Modell ZONOS2 verfügte über 8 Milliarden Parameter, und genau diese Größe schränkte seine Einsatzmöglichkeiten ein. Das Training des neuen Modells dauerte dabei nicht lange: Das Unternehmen stellte es innerhalb von zweieinhalb Tagen auf 112 Nvidia-H100-Grafikkarten fertig.
Das macht sich bei der Geschwindigkeit bemerkbar. Auf einer einzelnen H100-Karte beginnt das Modell bei acht gleichzeitigen Anfragen nach etwa 80 Millisekunden mit der Audioausgabe und erzeugt im besten Fall 457 Sekunden Audio in nur einer Sekunde. Ein einzelner Durchlauf bewältigt bis zu zehn Minuten Audio mit einer Abtastrate von 44,1 kHz.
Stimmklonen und eigene Charaktere
Das Modell beherrscht zwei zentrale Funktionen. Es kann anhand einer Audioaufnahme eine Stimme imitieren oder basierend auf vorgegebenem Alter, Akzent und Stimmfarbe einen völlig neuen Charakter erschaffen. Der Nutzer kann Emotionen, Tempo und Vortragsweise bis auf die Ebene einzelner Wörter steuern, was sich für Spiele, die Vertonung von Texten und Sprachassistenten eignet. Außerdem steht ein separates Bearbeitungsmodell zur Verfügung, mit dem sich Sätze nach der Generierung anpassen lassen.
Tschechische Nutzer dürfte die Sprachauswahl freuen. ZONOS3-Mini unterstützt 43 Sprachen, darunter im mittel- und osteuropäischen Bereich auch Tschechisch und Slowakisch. Für einen schnellen Einstieg bietet es 27 nach Sprachen unterteilte voreingestellte Stimmen.
Die Testergebnisse sehen gut aus, allerdings mit Vorbehalten. Im Modus mit Stimmabdruck erzielte das Modell im Gesamtindex 66,2 Punkte, während Fish Audio S2 Pro 61,7 und MOSS-TTS v1.5 60,2 Punkte erreichten. Der Test wurde jedoch von Zyphra selbst konzipiert und durchgeführt. Beim direkten Klonen anhand einer Referenzaufnahme erzielte das Modell nur 44,7 Punkte, und bei der Bewertung der Audioqualität liegt es hinter den Modellen Fish S2 Pro und Qwen3-TTS.
Wo und wie man es ausprobieren kann
Das Unternehmen hat die Modellgewichte unter der Apache-2.0-Lizenz veröffentlicht, sodass sie kostenlos heruntergeladen und verwendet werden können. Wer nichts installieren möchte, kann auf die gehostete Version in Zyphra Cloud zurückgreifen.
Der einfachste Weg führt über den Browser. Dort läuft das Modell vollständig auf der Grafikkarte des Nutzers über die WebGPU-Technologie, ohne Installation und ohne Server. Beim ersten Besuch wird es heruntergeladen und vom System für die spätere Nutzung gespeichert. Entwicklern stehen außerdem eigene Umgebungen von Zyphra zur Verfügung, konkret ein Server für Nvidia-Karten, eine Version für Apple-Silicon-Chips und ein Server in C++, der über CUDA, Metal oder Vulkan sowohl auf dem Prozessor als auch auf Grafikkarten läuft. Über SGLang-Omni lässt sich das Modell hinter einer OpenAI-kompatiblen Schnittstelle bereitstellen, einschließlich fortlaufender Audiowiedergabe und Stimmklonen, ohne dass die Beispielaufnahme transkribiert werden muss.



