ZONOS3-Mini：Zyphra 的紧凑型 text-to-speech 模型，支持声音克隆，采用 Apache 2.0 许可证

2026年11月9日，Zyphra/ZONOS3-Mini 模型在 HuggingFace 上发布——这是一个 text-to-speech 生成器，支持声音克隆，并可控制情感、语速和表达方式，精细到单个词。该模型支持 43 种语言，包括俄语，据作者描述，它能在手机和笔记本上实时运行，包括直接在浏览器中运行。 该模型在仓库中大小为 28.5 GB，最大的文件是 autoencoder/generator.pt，为 7.4 GB。权重以 pt、safetensors、gguf、pth 和 bin 格式发布。架构为 autoregressive，通过 zonos3 启动。许可证为 Apache 2.0，也就是说权重可用于商业项目，且不受营收限制。

这意味着什么

在我们的音频生成器栏目中，text-to-speech 由两个开源工具代表，而 ZONOS3-Mini 在使用条件上与两者都不同。 Coqui 的 XTTS 同样是带声音克隆的 text-to-speech，但其权重按 Coqui Public Model License 1.0.0 分发：仅限非商业使用，禁止因使用模型而直接或间接收费。ZONOS3-Mini 采用 Apache 2.0，没有此类限制。同时 XTTS 明显更轻：最大权重文件为 1.7 GB，而 ZONOS3-Mini 为 7.4 GB。 Fish Audio 的 Fish Speech 是另一个 text-to-speech 生成器。其代码仅允许年营收不超过 500 000 美元时商业使用，权重按 CC BY-NC-SA 4.0 分发，即非商业许可证，要求在分发时保留相同条件。ZONOS3-Mini 采用 Apache 2.0，无论代码还是权重都更自由。按大小，Fish Speech 更轻：最大文件 1.2 GB，而 ZONOS3-Mini 为 7.4 GB。 YuE（YuE（乐）） 是音乐生成器而非语音生成器，因此与 ZONOS3-Mini 没有直接交集，但作为对比：其权重同样采用 Apache 2.0，最大文件 4.6 GB，作者指出运行需要 24 GB 显存。ZONOS3-Mini 据开发者称可在手机和笔记本上运行——作者未说明显存要求。 ZONOS3-Mini 是我们指南中第一个权重采用 Apache 2.0、对商业使用无限制、并声称可在移动设备上运行的 text-to-speech 模型。按大小它比现有同类更重，但许可证使其适用于 XTTS 和 Fish Speech 不合适的项目。