ZONOS3-Mini: компактная text-to-speech модель Zyphra с клонированием голоса на Apache 2.0

На HuggingFace 9 ноября 2026 года опубликована модель Zyphra/ZONOS3-Mini — text-to-speech генератор с клонированием голоса и управлением эмоциями, темпом и подачей вплоть до отдельных слов. Модель поддерживает 43 языка, включая русский, и, по словам авторов, работает в реальном времени на телефонах и ноутбуках, в том числе прямо в браузере. Модель весит 28.5 ГБ в репозитории, самый большой файл — autoencoder/generator.pt на 7.4 ГБ. Веса выложены в форматах pt, safetensors, gguf, pth и bin. Архитектура autoregressive, запуск через zonos3. Лицензия — Apache 2.0, то есть веса можно использовать и в коммерческих проектах без ограничений по выручке.

Что это значит

В нашем разделе генераторов звука text-to-speech представлен двумя инструментами с открытым кодом, и ZONOS3-Mini отличается от обоих по условиям использования. XTTS от Coqui — тоже text-to-speech с клонированием голоса, но его веса распространяются по Coqui Public Model License 1.0.0: только некоммерческое использование, запрещена прямая или косвенная оплата от применения модели. ZONOS3-Mini на Apache 2.0 таких ограничений не имеет. При этом XTTS заметно легче: самый большой файл весов 1.7 ГБ против 7.4 ГБ у ZONOS3-Mini. Fish Speech от Fish Audio — ещё один text-to-speech генератор. Его код разрешает коммерческое использование только при годовой выручке до 500 000 долларов, а веса идут по CC BY-NC-SA 4.0, то есть некоммерческой лицензии с требованием сохранять условия при распространении. ZONOS3-Mini на Apache 2.0 свободнее и по коду, и по весам. По размеру Fish Speech легче: 1.2 ГБ самый большой файл против 7.4 ГБ. YuE — генератор музыки, а не речи, поэтому напрямую с ZONOS3-Mini не пересекается, но для сравнения: его веса тоже на Apache 2.0, самый большой файл 4.6 ГБ, а для запуска автор указывает 24 ГБ видеопамяти. ZONOS3-Mini, по заявлению разработчика, работает на телефонах и ноутбуках — требований к видеопамяти автор не уточняет. ZONOS3-Mini — первая в нашем справочнике text-to-speech модель с весами на Apache 2.0 без ограничений по коммерческому использованию и с заявленной работой на мобильных устройствах. По размеру она тяжелее существующих аналогов, но лицензия делает её пригодной для проектов, где XTTS и Fish Speech не подходят.