/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
zonos
Опубликована
18 июн 2026

offline-tts-zonos-v01

Синтез речиТекст → аудио3 профессии

Производная модели Zyphra/Zonos-v0.1-transformer. Многоязычная трансформерная модель Zyphra для синтеза выразительной речи, клонирования голоса и управления звучанием по тексту и аудиореференсу.

6скачиваний за 30 дней0лайковвеса обновлены18 июн 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Карточка модели JSCreatorPro/offline-tts-zonos-v01 на Hugging Face совпадает с карточкой Zyphra/Zonos-v0.1-transformer, поэтому описание составлено по ней.

Zonos-v0.1-transformer — открытая модель преобразования текста в речь от Zyphra, построенная на трансформерной архитектуре. Она нормализует и фонетически разбирает текст с помощью eSpeak, затем предсказывает токены DAC и генерирует речь с частотой 44 кГц. Модель обучена на более чем 200 тысячах часов разноязычной речи и поддерживает английский, японский, китайский, французский и немецкий языки.

Модель предназначена для естественного синтеза речи, клонирования голоса по короткому аудиореференсу и управления характеристиками звучания, включая темп, высоту тона, эмоции и качество аудио. Для задания голоса можно передать вектор говорящего или аудиофрагмент; текст и аудиопр prefix позволяют точнее воспроизводить особенности речи, например шёпот. Заявленная скорость работы составляет около двукратного реального времени на RTX 4090.

Для запуска README указывает Linux и современный GPU NVIDIA серии 3000 или новее с объёмом видеопамяти от 6 ГБ; требуется библиотека eSpeak. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • синтез речи на английском, японском, китайском, французском и немецком языках
  • клонирование голоса по короткой записи говорящего
  • генерация речи с заданными темпом и высотой тона
  • озвучивание текста с заданными эмоциями
  • создание речи с характеристиками аудиореференса, включая шёпот

Ограничения

Для запуска требуются Linux и современный GPU NVIDIA с объёмом видеопамяти от 6 ГБ; производительность зависит от оборудования. Указанные README скорость и качество приведены разработчиком и не являются независимой оценкой.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Zonos-v0.1


Zonos-v0.1 is a leading open-weight text-to-speech model trained on more than 200k hours of varied multilingual speech, delivering expressiveness and quality on par with—or even surpassing—top TTS providers.

Our model enables highly natural speech generation from text prompts when given a speaker embedding or audio prefix, and can accurately perform speech cloning when given a reference clip spanning just a few seconds. The conditioning setup also allows for fine control over speaking rate, pitch variation, audio quality, and emotions such as happiness, fear, sadness, and anger. The model outputs speech natively at 44kHz.

For more details and speech samples, check out our blog here
We also have a hosted version available at playground.zyphra.com/audio

Zonos follows a straightforward architecture: text normalization and phonemization via eSpeak, followed by DAC token prediction through a transformer or hybrid backbone. An overview of the architecture can be seen below.


Usage

Python

import torch
import torchaudio
from zonos.model import Zonos
from zonos.conditioning import make_cond_dict

# model = Zonos.from_pretrained("Zyphra/Zonos-v0.1-hybrid", device="cuda")
model = Zonos.from_pretrained("Zyphra/Zonos-v0.1-transformer", device="cuda")

wav, sampling_rate = torchaudio.load("assets/exampleaudio.mp3")
speaker = model.make_speaker_embedding(wav, sampling_rate)

cond_dict = make_cond_dict(text="Hello, world!", speaker=speaker, language="en-us")
conditioning = model.prepare_conditioning(cond_dict)

codes = model.generate(conditioning)

wavs = model.autoencoder.decode(codes).cpu()
torchaudio.save("sample.wav", wavs[0], model.autoencoder.sampling_rate)

Gradio interface (recommended)

uv run gradio_interface.py
# python gradio_interface.py

This should produce a sample.wav file in your project root directory.

For repeated sampling we highly recommend using the gradio interface instead, as the minimal example needs to load the model every time it is run.

Features

  • Zero-shot TTS with voice cloning: Input desired text and a 10-30s speaker sample to generate high quality TTS output
  • Audio prefix inputs: Add text plus an audio prefix for even richer speaker matching. Audio prefixes can be used to elicit behaviours such as whispering which can otherwise be challenging to replicate when cloning from speaker embeddings
  • Multilingual support: Zonos-v0.1 supports English, Japanese, Chinese, French, and German
  • Audio quality and emotion control: Zonos offers fine-grained control of many aspects of the generated audio. These include speaking rate, pitch, maximum frequency, audio quality, and various emotions such as happiness, anger, sadness, and fear.
  • Fast: our model runs with a real-time factor of ~2x on an RTX 4090
  • Gradio WebUI: Zonos comes packaged with an easy to use gradio interface to generate speech
  • Simple installation and deployment: Zonos can be installed and deployed simply using the docker file packaged with our repository.

Installation

At the moment this repository only supports Linux systems (preferably Ubuntu 22.04/24.04) with recent NVIDIA GPUs (3000-series or newer, 6GB+ VRAM).

See also Docker Installation

System dependencies

Zonos depends on the eSpeak library phonemization. You can install it on Ubuntu with the following command:

apt install -y espeak-ng

Python dependencies

We highly recommend using a recent version of uv for installation. If you don't have uv installed, you can install it via pip: pip install -U uv.

Installing into a new uv virtual environment (recommended)
uv sync
uv sync --extra compile
Installing into the system/actived environment using uv
uv pip install -e .
uv pip install -e .[compile]
Installing into the system/actived environment using pip
pip install -e .
pip install --no-build-isolation -e .[compile]
Confirm that it's working

For convenience we provide a minimal example to check that the installation works:

uv run sample.py
# python sample.py

Docker installation

git clone https://github.com/Zyphra/Zonos.git
cd Zonos

# For gradio
docker compose up

# Or for development you can do
docker build -t Zonos .
docker run -it --gpus=all --net=host -v /path/to/Zonos:/Zonos -t Zonos
cd /Zonos
python sample.py # this will generate a sample.wav in /Zonos

Citation

If you find this model useful in an academic context please cite as:

@misc{zyphra2025zonos,
  title     = {Zonos-v0.1: An Expressive, Open-Source TTS Model},
  author    = {Dario Sucic, Mohamed Osman, Gabriel Clark, Chris Warner, Beren Millidge},
  year      = {2025},
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · zonos

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
463bf78

0 моделей