/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Zonos-v0.1-transformer
Библиотека
crispasr
Опубликована
5 июн 2026

zonos-v0.1-transformer-GGUF

Синтез речиТекст → аудио3 профессии

Zonos v0.1 Transformer — GGUF — это конверсия модели Zyphra/Zonos-v0.1-transformer, подготовленная для работы с CrispASR и CrisperWeaver.

1 208скачиваний за 30 дней1лайквеса обновлены21 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 синтеза речи по тексту, клонирования голоса по нескольким секундам эталонной записи и генерации выразительной речи с управлением эмоциями, темпом, вариативностью высоты тона и максимальной частотой аудио. Она обучена на более чем 200 тысячах часов многоязычной речи и поддерживает английский, немецкий, французский, испанский, японский, китайский, корейский, португальский, итальянский, русский и другие языки, перечисленные в карточке модели.

Это авторегрессионный GPT-подобный трансформер примерно на 500 млн параметров: 26 слоёв, размерность 2048, GQA, SwiGLU, LayerNorm и RoPE. Текст преобразуется в фонемы через eSpeak, после чего модель генерирует девять потоков кодов DAC. Выходной звук — моно PCM с частотой 44,1 кГц; для декодирования требуется отдельный файл dac-44khz.gguf. Доступны варианты F16 размером около 3,1 ГБ с эталонным качеством и Q4_K размером около 872 МБ с меньшим размером и хорошим качеством.

К сильным сторонам относятся многоязычность, клонирование голоса, детальный контроль эмоциональной окраски, скорости речи, высоты тона и качества аудио. Ограничения включают необходимость совместимого DAC-декодера и программной инфраструктуры CrispASR или CrisperWeaver; сведения о производительности, требованиях к оборудованию и качестве по отдельным языкам в карточке не приведены. 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

Zonos v0.1 Transformer — GGUF

GGUF conversion of Zyphra/Zonos-v0.1-transformer for use with CrispASR and CrisperWeaver.

Model

Zonos v0.1 is a ~500M-parameter text-to-speech model trained on 200k+ hours of multilingual speech. It delivers expressive, high-quality synthesis with fine-grained control over:

  • Speaker cloning from a few seconds of reference audio
  • Emotion control (happiness, sadness, disgust, fear, surprise, anger, neutral)
  • Speaking rate (phonemes/second)
  • Pitch variation (pitch standard deviation)
  • Audio quality (fmax parameter)

Output is native 44.1 kHz mono PCM via a 9-codebook DAC decoder.

Architecture

  1. Text input → eSpeak phonemization → phoneme embeddings
  2. Prefix conditioner: concatenates conditioning embeddings (phonemes, speaker, emotion, fmax, pitch_std, rate, language) through projection + LayerNorm
  3. AR backbone: 26-layer GPT-style transformer (d=2048, GQA 16q/4kv, SwiGLU, LayerNorm with bias, RoPE) generates 9 interleaved DAC codebook streams with delay pattern
  4. Classifier-free guidance (CFG): both conditioned and unconditioned prefixes are decoded; logits are interpolated with configurable scale (default 2.0)
  5. DAC decoder: separate GGUF converts 9-codebook RVQ codes → 44.1 kHz PCM

Files

FileSizeDescription
zonos-v0.1-transformer-f16.gguf3.1 GBFull-precision (F16) — reference quality
zonos-v0.1-transformer-q4_k.gguf872 MBQ4_K quantised — ~3.5x smaller, good quality

Required companion

Zonos needs the DAC 44.1 kHz decoder GGUF for audio output. Use dac-44khz.gguf from cstr/dia-1.6b-GGUF (same codec, shared between Zonos and Dia backends).

Usage

CrispASR CLI

# Download
crispasr -m auto --backend zonos

# Synthesize
crispasr --backend zonos \
  -m zonos-v0.1-transformer-q4_k.gguf \
  --tts-codec dac-44khz.gguf \
  --tts "Hello, this is a test of the Zonos text to speech system." \
  -o output.wav

# With emotion control
crispasr --backend zonos \
  -m zonos-v0.1-transformer-q4_k.gguf \
  --tts-codec dac-44khz.gguf \
  --tts "I'm so happy to see you!" \
  --emotion "0.8,0,0,0,0,0,0,0.2" \
  -o happy.wav

# With voice cloning
crispasr --backend zonos \
  -m zonos-v0.1-transformer-f16.gguf \
  --tts-codec dac-44khz.gguf \
  --voice reference.wav \
  --tts "Cloned voice output." \
  -o cloned.wav

CrisperWeaver (Flutter GUI)

Download from Model Management, select on the Synthesize screen, and set dac-44khz.gguf as the codec companion.

C API

#include "crispasr.h"

// Open session
crispasr_session* s = crispasr_session_open("zonos-v0.1-transformer-q4_k.gguf", "zonos");
crispasr_session_set_codec_path(s, "dac-44khz.gguf");

// Configure (optional)
crispasr_session_set_temperature(s, 0.7);

// Synthesize
int n_samples;
float* pcm = crispasr_session_synthesize(s, "Hello world", &n_samples);
// ... write pcm to WAV ...
free(pcm);
crispasr_session_free(s);

Conditioning Parameters

ParameterRangeDefaultDescription
pitch_std0-40045Pitch variation. 20-45 = normal, 60-150 = expressive
speaking_rate0-4015Phonemes per second. 10 = slow, 15 = normal, 30 = fast
fmax0-2400024000Maximum frequency. 22050 for voice cloning
cfg_scale0-102.0Classifier-free guidance scale
emotion8 floatsneutral[happiness, sadness, disgust, fear, surprise, anger, other, neutral]
temperature0-20.0Sampling temperature (0 = greedy)

Conversion

Converted from the upstream PyTorch checkpoint using:

python models/convert-zonos-to-gguf.py \
  --input Zyphra/Zonos-v0.1-transformer \
  --output zonos-v0.1-transformer-f16.gguf

Quantised with:

crispasr-quantize zonos-v0.1-transformer-f16.gguf zonos-v0.1-transformer-q4_k.gguf q4_k

License

Apache 2.0 (same as Zyphra/Zonos-v0.1-transformer).

Links

Как запустить

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

GPU в ailist

Универсальный рантайм · crispasr

Нельзя запустить

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

Ревизия весов
34ba2a3

0 моделей