/ Модель

Характеристики

Размер весов
15,3 ГБ
Лицензия
Apache 2.0
Библиотека
ZONOS2
Опубликована
11 июн 2026

ZONOS2

Синтез речиТекст → аудио3 профессии

ZONOS2 — мультиязычная MoE-модель Zyphra для выразительного синтеза речи и клонирования голоса по образцу.

2 303скачиваний за 30 дней150лайковвеса обновлены22 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

ZONOS2 — мультиязычная модель синтеза речи компании Zyphra. Она преобразует текст в аудио и предназначена для естественного, выразительного озвучивания, включая клонирование голоса по образцу речи. По описанию разработчика, модель обучена на более чем 6 млн часов разнообразной многоязычной речи и использует MoE-архитектуру для генерации токенов DAC с низкой задержкой; при обработке применяются нормализация текста nemo TN и эмбеддинги ECAPA-TDNN.

Модель поддерживает английский, китайский, японский, русский и ряд других языков с разными уровнями заявленной поддержки. Для локального запуска Zyphra предоставляет сервер инференса на Mini-SGLang; инструкция README указывает на Linux x86_64 и NVIDIA GPU с CUDA. Также доступна размещённая версия сервиса. Репозиторий распространяется по лицензии Apache-2.0.

Заявления о качестве и естественности речи приведены разработчиком; сравнительные оценки README не сопровождаются результатами независимой проверки. Размер модели и длина контекста в доступных сведениях не приведены.

Сценарии применения

  • озвучивание текста на русском и других поддерживаемых языках
  • клонирование голоса по аудиозаписи
  • создание выразительной озвучки для приложений и медиаконтента
  • локальная генерация речи через сервер инференса
  • многоязычный синтез речи с низкой задержкой

Ограничения

Локальный запуск по инструкции требует Linux x86_64, NVIDIA GPU и совместимого CUDA Toolkit. Заявления о качестве и низкой задержке основаны на описании разработчика, а не на приведённых независимых оценках.

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

ZONOS2


ZONOS2 is our latest text-to-speech model trained on more than 6 million hours of varied multilingual speech, delivering expressiveness and quality on par with—or even surpassing—top TTS providers at low latency with MoE. ZONOS2 excels at high-fidelity and naturalistic voice cloning.

During inference we use nemo TN normalized UTF-8 bytes and an ECAPA-TDNN embedding to generate DAC tokens with our MoE backbone. An inference overview can be seen below.

Language support is as follows.

TierLanguages
Tier 1English, Mandarin Chinese, Japanese
Tier 2Korean, Russian, Italian, Portuguese, French, Spanish, Vietnamese, German, Hebrew, Dutch
Tier 3Swedish, Hindi, Tamil, Telugu, Thai, Norwegian, Bengali, Tagalog, Arabic, Danish, Indonesian, Polish, Ukrainian, Romanian, Finnish, Hungarian, Lithuanian, Estonian, Slovak, Croatian, Latvian

For local inference we provide a high-performance TTS inference server built on Mini-SGLang.

For more details and speech samples, check out our blog.

We also have a hosted version available at cloud.zyphra.com/audio-playground.


Quick Start

Platform Support: Linux only (x86_64). Requires NVIDIA GPU with CUDA toolkit matching your driver version (nvidia-smi to check).

1. Installation

Requires uv.

git clone https://github.com/Zyphra/ZONOS2.git
cd ZONOS2
uv sync

2. Launch the TTS Server

uv run python -m minisgl --model-path Zyphra/ZONOS2 --tts-default-voices-dir ./default_voices/

uv run always uses the project environment, so no venv activation is needed.

The server starts on http://localhost:1919 by default. TTS mode is auto-detected for zonos2 models. --tts-default-voices-dir <folder> pre-populates the web UI with voice-clone speakers from disk; the folder is scanned recursively for speaker audio (.wav, .mp3, .flac, .m4a, .ogg, .opus, .aac, .webm) and saved embeddings (.npy, .npz). The newest voice is selected automatically on startup.

3. Generate Speech

curl:

curl -X POST http://localhost:1919/tts/generate \
  -H "Content-Type: application/json" \
  -d '{"text": "Hello world", "stream": true}' \
  --output output.pcm

# Convert to WAV
ffmpeg -f f32le -ar 44100 -ac 1 -i output.pcm output.wav

Web UI: Open http://localhost:1919/ in your browser.

Python API (offline inference)

You can also run the engine directly in a Python script, without starting a server, via TTSLLM:

from zonos2.message import TTSSamplingParams
from zonos2.tts import TTSLLM

tts = TTSLLM(model_path="Zyphra/ZONOS2")

results = tts.generate(
    ["Hello from the offline Python API.", "Batched prompts work too."],
    TTSSamplingParams(seed=42),
)

for i, result in enumerate(results):
    print(f"frames={len(result['audio_tokens'])}, eos_frame={result['eos_frame']}")
    tts.save_audio(result["audio"], f"output_{i}.wav")

Citation

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

@misc{zyphra2025zonos,
  title     = {Zonos V2 Technical Report},
  author    = {Gabriel Clark, Sofian Mejjoute, Mohamed Osman, George Close, Beren Millidge},
  year      = {2026},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · ZONOS2

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
65f1e80

0 моделей