/ Модель

Характеристики

Размер весов
15,3 ГБ
Лицензия
Apache 2.0
Архитектура
zonos2 · dense
Базовая модель
ZONOS2
Библиотека
mlx-audio
Опубликована
13 июн 2026

Zyphra-ZONOS2

Синтез речиТекст → аудио3 профессии

Конверсия ZONOS2 для MLX синтезирует речь по тексту и поддерживает клонирование голоса по аудиообразцу.

269скачиваний за 30 дней4лайкавеса обновлены13 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 — авторегрессионная модель Zyphra для синтеза речи, представленная здесь в конверсии MLX Community для библиотеки mlx-audio. Она генерирует аудио по тексту с использованием нескольких аудиокодовых последовательностей и поддерживает настройку голоса по референсному аудиофрагменту. Выходной звук — моно, 44,1 кГц; для клонирования голоса можно передать аудиообразец или заранее вычисленный эмбеддинг говорящего размерностью 2048. Модель принимает до 1024 аудиотокеновых кадров за генерацию по умолчанию.

Модель предназначена для озвучивания текста и создания речи с голосом, похожим на голос из образца. В карточке указаны нормализация английского текста и обработка неподдерживаемых языков через байтовое представление, но полный перечень языков не приведён. Потоковая генерация не реализована; для извлечения голоса из образца используются отдельный кодек DAC и энкодер говорящего. Репозиторий распространяется в формате BF16 и лицензирован по Apache 2.0.

Сценарии применения

  • озвучивание текста монофонической речью
  • генерация речи с голосом, похожим на референсную запись
  • повторное использование эмбеддинга говорящего для озвучивания
  • локальный синтез речи через библиотеку mlx-audio

Ограничения

Потоковая генерация не поддерживается. Нормализация текста описана для английского, а поведение для неподдерживаемых языков ограничено байтовым представлением; полный список поддерживаемых языков не приведён.

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 Zyphra's autoregressive text-to-speech model with multi-codebook audio generation, 44.1 kHz DAC decode, and speaker conditioning from reference audio.

Original model: Zyphra/ZONOS2

Supported Repositories

RepositoryFormatNotes
mlx-community/Zyphra-ZONOS2BF16Official MLX conversion for mlx-audio

Installation

pip install mlx-audio

Usage

Python API:

from mlx_audio.audio_io import write as audio_write
from mlx_audio.tts import load

model = load("mlx-community/Zyphra-ZONOS2", lazy=True)

result = next(model.generate(
    text="Hello, this is ZONOS two running locally with MLX audio.",
    max_tokens=220,
))

audio_write("zonos2.wav", result.audio, result.sample_rate)

Voice Cloning

Pass a short reference clip with ref_audio. Clean speech-only clips work best.

result = next(model.generate(
    text="This text will be spoken with the reference speaker.",
    ref_audio="speaker.wav",
    max_tokens=220,
))

You can also compute the speaker embedding once and reuse it from the Python API:

speaker = model.extract_speaker_embedding("speaker.wav")

result = next(model.generate(
    text="This reuses a precomputed speaker embedding.",
    speaker_embedding=speaker,
    max_tokens=220,
))

CLI

python -m mlx_audio.tts.generate \
  --model mlx-community/Zyphra-ZONOS2 \
  --text "Hello, this is ZONOS two running with MLX audio." \
  --output_path outputs \
  --file_prefix zonos2

Voice cloning:

python -m mlx_audio.tts.generate \
  --model mlx-community/Zyphra-ZONOS2 \
  --text "This text will use the voice from the reference clip." \
  --ref_audio speaker.wav \
  --output_path outputs \
  --file_prefix zonos2_clone

Generation Parameters

ParameterDefaultDescription
ref_audioNoneReference audio path or array for voice cloning
speaker_embeddingNonePrecomputed 2048-D speaker embedding, Python API only
max_tokens1024Maximum number of audio token frames
temperature1.15Sampling temperature
top_k106Top-k sampling filter
top_p0.0Nucleus sampling filter, disabled at 0
min_p0.18Minimum-probability sampling filter
repetition_penalty1.2Repetition penalty applied to recent audio tokens
seedNoneSeed for deterministic sampling
text_normalizationTrueEnglish text normalization toggle, Python API only

Notes

License

See the Zyphra/ZONOS2 model card for upstream license and usage details.

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx-audio

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Ревизия весов
3ad1bd8

0 моделей