/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
ZONOS2
Библиотека
gguf
Опубликована
18 июн 2026

ZONOS2-GGUF

Синтез речиТекст → аудио3 профессии

ZONOS2-GGUF — это GGUF-квантизованные веса модели ZONOS2, разработанной Zyphra для синтеза речи из текста.

10 700скачиваний за 30 дней6лайковвеса 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

Модель предназначена для высококачественного многоязычного text-to-speech, низколатентной генерации аудио и клонирования голоса по образцу. Вся цепочка, включая ECAPA-TDNN-энкодер говорящего, MoE-основу и DAC-вокодер, доступна в нативной реализации C++ zonos2.cpp без Python, PyTorch и обязательных CUDA-ядер во время инференса; поддерживаются CPU и CUDA.

Модель обучена более чем на 6 миллионах часов многоязычной речи и ориентирована на естественное, выразительное звучание и высокую точность клонирования голоса. Поддерживаются английский, китайский, японский, корейский, русский, итальянский, португальский, французский, испанский, вьетнамский, немецкий, иврит, нидерландский и ряд других языков, включая украинский, польский, арабский, хинди и индонезийский. Доступны варианты от F16 размером 15,3 ГБ до Q4_K размером 4,9 ГБ; в квантизованных версиях F16 сохраняется для attention, router, embeddings и speaker projection, а квантизуются только матрицы MoE-экспертов.

Q8_0 рекомендован как практически без потерь, тогда как Q4_K подходит для систем с ограниченной VRAM и сохраняет близкое к полной точности качество аудио. Ограничения включают значительный объём файлов и зависимость от zonos2.cpp для запуска GGUF, а качество клонирования и синтеза может зависеть от выбранного уровня квантизации и исходного голосового образца. Модель распространяется по лицензии Apache-2.0.

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 — GGUF


GGUF weights for Zyphra/ZONOS2, ready to run with zonos2.cpp — a standalone ggml/GGUF C++ port of ZONOS2. The entire pipeline (ECAPA speaker encoder → MoE backbone → DAC vocoder) runs as native C++ linking only libggml + gguf: no Python, no PyTorch, no CUDA-only kernels at inference time. CPU and CUDA use the same files.

ZONOS2 is Zyphra's 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.

For model details and speech samples, check out our blog. A hosted version is available at cloud.zyphra.com/audio-playground.

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

Files

FileSizeDescription
zonos2-f16.gguf15.3 GBF16 backbone — lossless from the bf16 checkpoint
zonos2-q8_0.gguf8.5 GBQ8_0 MoE experts, F16 spine — recommended; effectively lossless
zonos2-q6_k.gguf6.8 GBQ6_K MoE experts, F16 spine
zonos2-q5_k.gguf5.9 GBQ5_K MoE experts, F16 spine
zonos2-q4_k.gguf4.9 GBQ4_K MoE experts, F16 spine — smallest
dac.gguf254 MBDAC-44 kHz decoder (codes → waveform)
spk-encoder.gguf24 MBECAPA-TDNN speaker encoder (wav → x-vector, for voice cloning)

All quants keep the spine (attention + router + embeddings + speaker projection) at F16 and quantize only the MoE expert matrices — the layout that holds quality far below the usual quant floor. The full-precision spine is the single biggest quality lever; pick the expert precision (Q8 → Q4) that fits your VRAM.

Benchmarks

BuildSizebpwKLD ↓Top-1 ↑WER ↓SpkSim ↑UTMOS ↑
F16 (ref)15.3 GB16.0——2.7966.754.40
Q8_08.5 GB8.500.00296.5%2.8766.304.40
Q6_K6.8 GB6.560.00792.9%3.0766.124.40
Q5_K5.8 GB5.500.02586.3%2.9866.304.40
Q4_K4.9 GB4.500.07276.9%3.0064.544.36
  • KLD (mean) and Top-1 measure how closely each quant tracks the F16 backbone's per-frame logits, scored with the zonos2-perplexity tool in zonos2.cpp.
  • WER (Qwen3-ASR word-error rate), SpkSim (clone speaker similarity), and UTMOS (predicted MOS) are end-to-end on the Zyphra/ZTT1-Eval Clean English set; lower WER and higher SpkSim/UTMOS are better.

Although the logit metrics (KLD, Top-1) degrade steadily as the experts shrink, the audio quality holds nearly flat down to Q4_K — WER, speaker similarity, and UTMOS stay within eval noise of F16. The F16 spine keeps the model on-distribution, so the smaller quants spend their error budget on inaudible logit jitter rather than audible artifacts. Q8_0 is the recommended default (effectively lossless); Q4_K is a strong choice when VRAM is tight.

Quick Start

Build zonos2.cpp (CPU, or -DGGML_CUDA=ON for NVIDIA), then turn text into a waveform with one command:

zonos2-cli zonos2-q8_0.gguf --tts "Hello, world." out.wav \
    --dac dac.gguf --gpu --seed 1

Add --spk voice.mp3 (with spk-encoder.gguf) to clone a voice from a reference clip.

HTTP server

zonos2-server mirrors the reference FastAPI — low-latency streaming PCM, an OpenAI /v1/audio/speech endpoint, in-process voice cloning, and a browser UI:

zonos2-server zonos2-q8_0.gguf --dac dac.gguf --spk-encoder spk-encoder.gguf --gpu

See the zonos2.cpp README for build instructions, quantization (quantize-cli), batching, and the full CLI reference.

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 · gguf

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
75c877e

0 моделей