Modelle

ZONOS3-Mini: Echtzeit-Stimmenklonen mit 100M aktiven Parametern

Zyphra öffnet ZONOS3-Mini: Stimmenklonen in 43 Sprachen unter Apache 2.0, mit eigenem Codec und MIT-Laufzeiten vom Server bis in den Browser.

Schematische Grafik: Wellenform links, Kasten ZONOS3-Mini mit 100M aktiven Parametern in der Mitte, rechts drei Lautsprechersymbole für Browser, Laptop und Server
ZONOS3-Mini soll laut Zyphra Stimmen in Echtzeit klonen: 800 Mio. Parameter gesamt, rund 100 Mio. aktiv; Gewichte Apache 2.0, Laufzeiten MIT. Keine eigenen Hörtests oder Messungen [1][2][3]. · Eigene Grafik (Redaktion)
Kurz gesagt
  • Zyphra hat ZONOS3-Mini veröffentlicht: ein Echtzeit-TTS-Modell mit Zero-Shot-Stimmenklonen in 43 Sprachen, darunter Deutsch [1].
  • Die Gewichte stehen unter Apache 2.0 und sind ohne Zugangsbeschränkung abrufbar (Plattform-API, Stand 13.11.2026); die Laufzeiten für Server, Apple Silicon, C++/ggml und WebGPU stehen unter MIT [1][2].
  • Das Modell kombiniert einen neuen 15-Hz-Audiocodec (ZAC-1) mit einem hybriden Gated-DeltaNet/Attention-Backbone: 800 Mio. Parameter gesamt, rund 100 Mio. aktiv [1].
  • Herstellerangaben zur Latenz: unter 570 ms bis zum ersten Audio im Browser auf einem Pixel 9, unter 150 ms auf einem M3 MacBook Air, 80 ms Median auf einer H100 [1].
  • Stimmen lassen sich ohne Training steuern (Alter, Akzent, Textur, Emotion, Tempo); Angaben zu Wasserzeichen oder Missbrauchsschutz finden sich im von uns gelesenen Beitrag nicht [1].

Zyphra hat ZONOS3-Mini veröffentlicht, ein quelloffenes Text-to-Speech-Modell für mehrsprachige Sprachsynthese, Zero-Shot-Stimmenklonen und fein steuerbare Stimmgebung in 43 Sprachen, darunter Deutsch [1]. Der Beitrag erschien am 12. November 2026 auf dem Hugging-Face-Blog; die Gewichte stehen unter Apache 2.0 und sind ohne Zugangsbeschränkung abrufbar (Plattform-API, Stand 13.11.2026 gegen 6 Uhr UTC / 7 Uhr MEZ) [1][2].

Was veröffentlicht wurde

Das Paket ist ungewöhnlich vollständig: bf16-PyTorch-Checkpoints und quantisierte GGUF-Gewichte inklusive eines Checkpoints für Sprachbearbeitung, dazu Laufzeiten unter MIT für SGLang-Omni (Tag-0-Serving mit OpenAI-kompatiblem Endpunkt), Apple Silicon (MLX), ein eigenständiges C++/ggml-Backend (CPU, CUDA, Metal, Vulkan) und WebGPU für die Ausführung komplett im Browser [1][2]. Auch der neue Audiocodec ZAC-1 und der Bewertungsdatensatz ZTTS2-Eval sind geöffnet, ein Hugging-Face-Space und eine lesbare PyTorch-Referenzimplementierung erleichtern den Einstieg [1]. Trainiert wurde das Modell nach Herstellerangabe in zweieinhalb Tagen auf 112 H100-GPUs [1].

Eckdaten

800 Mio. Parameter gesamt, rund 100 Mio. aktiv pro Token (Latent MoE, 64 Experten, Top-2-Routing) · 11 Schichten, d_model 1024 · 9 Gated-DeltaNet-Schichten plus 2 globale GQA-Attention-Schichten · Kontext 32.768 Positionen (bis zu etwa 10 Minuten Audio) · Codec ZAC-1 mit 15 Hz und 44,1 kHz Ausgabe · Gewichte Apache 2.0, Laufzeiten MIT [1].

Architektur: Vier Hebel für Echtzeit

Der Engpass bisheriger Systeme war laut Zyphra der Codec: Der Vorgänger ZONOS2 modellierte einen 86-Hz-Codec mit einem 8-Milliarden-Backbone [1]. ZAC-1 senkt die Bildrate auf 15 Hz und kodiert dual: Das erste von zehn Codebooks quantisiert Merkmale eines eingefrorenen Wav2Vec2-BERT-2.0-Lehrers, die übrigen neun bilden das akustische Residuum; kausale Transformer-Stufen und ein iSTFT-Kopf erzeugen daraus 44,1-kHz-Audio, optional mit einem beschnittenen Kopf für rund dreimal schnellere Dekodierung [1]. Unter gleichen Datenbedingungen erreiche ein auf ZAC-1 trainiertes Modell eine zehnfach niedrigere Wortfehlerrate als eines auf DAC, schreibt der Hersteller [1].

Das Backbone mischt neun rekurrente Gated-DeltaNet-Schichten mit zwei globalen Aufmerksamkeitsschichten und nutzt in jeder Schicht ein Latent MoE mit 64 Experten und Top-2-Routing [1]. Für die Stimme gibt es zwei Konditionierungswege: einen Referenzclip von bis zu 60 Sekunden im Kontext oder eine einzelne 192-dimensionale MECT-B2-Sprechereinbettung [1]. Nach dem Vortraining folgen DPO und anschließend GRPO, um Halluzinationen und Aussprachefehler zu senken [1].

Stimmen steuern ohne Training

Ein Schwerpunkt des Beitrags ist die mechanistische Steuerung: Alter, Geschlechtspräsentation und Stimmtextur werden als Richtungen im MECT-B2-Einbettungsraum verschoben, Akzente über eigene Task-Vektoren; Tempo, Emotion, Projektion und Lebendigkeit regelt Activation Steering im Residualstrom, dank Alignment-Köpfen wortweise und im Streaming [1]. Ein mitveröffentlichtes Bearbeitungsrezept ersetzt einzelne Wörter nachträglich in fertigem Audio (VoiceCraft-artig, mit dem offenen Aligner fusealign) [1]. Die Einstellungen der veröffentlichten Demos sind Zielwerte, keine von uns gemessenen Eigenschaften; eigene Hörtests haben wir nicht durchgeführt.

Latenz: Herstellerangaben

TTFA laut Zyphra: verschiedene Hardware und Kennzahlen, keine Rangliste und kein vergleichbarer Gerätebenchmark. Nicht selbst nachgemessen [1].
SetupAngabeEinordnung
Pixel 9, Browser< 570 msObergrenze
M3 MacBook Air< 150 msObergrenze
H100, 8 gleichzeitige Anfragen80 msMedian

Zur Qualität hat Zyphra gleich ein eigenes Bewertungspaket geöffnet: ZTTS2-Eval deckt 35 Sprachen mit sauberer Lesesprache (FLEURS-R) und 20 Sprachen mit Referenzclips aus dem Netz (VoxBlink2) ab und fasst die Ergebnisse über einen IRT-basierten Fähigkeitsindex mit 420 Einträgen zusammen [1]. Darin rangiere ZONOS3-Mini vor Fish S2 Pro und MOSS TTS v1.5 an der Spitze der offenen Modelle; das ist eine Herstellerangabe auf dem eigenen Benchmark [1].

Einordnung und Risiken

ZONOS3-Mini kombiniert offen verfügbare Gewichte und Laufzeiten mit niedrigem aktiven Parameterumfang. Ob Qualität und Latenz für einen bestimmten Sprachagenten ausreichen, sollte am geplanten Gerät und in der Zielsprache geprüft werden; Herstellerwerte allein beantworten das nicht [1][2][3]. Stimmenklonen kann zur Täuschung und Identitätsnachahmung missbraucht werden. Im gelesenen Beitrag haben wir keine Angaben zu Wasserzeichen oder vergleichbaren Schutzmechanismen gefunden; daraus folgt nicht, dass es keinerlei Schutz gibt [1]. Für einen verantwortlichen Einsatz sollten nur eigene oder ausdrücklich dafür freigegebene Stimmen und Aufnahmen genutzt werden. Lizenzoffenheit ist keine pauschale Freigabe zur Nachahmung anderer Personen. Eine rechtliche Einzelfallprüfung ersetzt dieser Beitrag nicht. Unabhängige Messungen fanden wir in den geprüften Quellen nicht; ihre allgemeine Abwesenheit behaupten wir nicht.

Methode

Quellenabgleich am 13. November 2026 gegen 07:15 Uhr MEZ: vollständiger Zyphra-Beitrag auf dem Hugging-Face-Blog, Modellkarte und Plattform-API, GitHub-README/Lizenzangabe sowie Transformers-Modellkarte selbst gelesen. Audio-Demos und Leistungsangaben stammen vom Hersteller; eigene Hörtests oder Messungen haben wir nicht durchgeführt.

Grenzen

Alle Qualitäts- und Latenzangaben stammen vom Hersteller; der Spitzenplatz im ZTTS2-Eval ist eine Herstellerangabe auf dem eigenen Bewertungspaket. Ob es unabhängige Messungen gibt, können wir nicht ausschließen; in den von uns eingesehenen Quellen fanden sich keine. Steuerungswerte in den Demos sind Zielwerte, keine Messwerte. Zum Missbrauchsschutz macht der Beitrag keine Angaben, soweit wir ihn gelesen haben.

Quellen

  1. ZONOS3-Mini: Open-Source Real-Time Voice Cloning & Steerable TTS in 100M Active Parameters (Beitrag, 12.11.2026), Zyphra (Hugging Face Blog) (abgerufen 2026-11-13) ↩1 ↩2 ↩3 ↩4 ↩5 ↩6
  2. Zyphra/ZONOS3-Mini (Modellkarte und Plattform-API), Hugging Face (abgerufen 2026-11-13) ↩1 ↩2 ↩3 ↩4
  3. Zyphra/ZONOS3-Mini (Laufzeiten und Referenzimplementierung, MIT), GitHub (abgerufen 2026-11-13) ↩
  4. Zyphra/ZONOS3-Mini-hf (Transformers-Variante, Plattform-API), Hugging Face (abgerufen 2026-11-13)

Häufige Fragen

Was ist ZONOS3-Mini?

Ein quelloffenes Echtzeit-TTS-Modell von Zyphra mit Zero-Shot-Stimmenklonen in 43 Sprachen: 800 Mio. Parameter gesamt, rund 100 Mio. aktiv, veröffentlicht am 12.11.2026 [1].

Ist ZONOS3-Mini wirklich offen?

Soweit prüfbar, ja: Die Gewichte stehen unter Apache 2.0 und sind ohne Zugangsbeschränkung abrufbar (Plattform-API, Stand 13.11.2026), die Laufzeiten samt Referenzimplementierung unter MIT [1][2].

Wie schnell ist das Modell?

Herstellerangaben: unter 570 Millisekunden bis zum ersten Audio im Browser auf einem Pixel 9, unter 150 auf einem M3 MacBook Air und 80 Millisekunden Median auf einer H100; nachgemessen haben wir nicht [1].

Welche Sprachen werden unterstützt?

43 Sprachen, darunter Deutsch, Englisch, Französisch, Spanisch, Polnisch, Türkisch, Arabisch, Mandarin, Japanisch, Koreanisch und Hindi [1].

Darf ich damit fremde Stimmen klonen?

Nutze eigene oder ausdrücklich für diesen Zweck freigegebene Stimmen und Aufnahmen. Die offene Modelllizenz ist keine pauschale Freigabe für die Nachahmung fremder Personen; die Rechte für den konkreten Einsatz sind gesondert zu klären. Dies ist keine rechtliche Einzelfallprüfung. Im gelesenen Herstellerbeitrag fanden wir keine Angaben zu Wasserzeichen oder Missbrauchsschutz [1].

Weiterlesen