手机浏览器实时克隆任何人的声音，音频全程不出设备

Zyphra 把 ZONOS3-Mini 放出来了。Apache 2.0 的零样本语音克隆 TTS，支持 43 种语言。参数总量 800M，每个 token 只激活约 100M——稀疏 MoE，64 个专家，top-2 路由。训练用了 112 块 NVIDIA H100，2.5 天。

这组参数换来的速度很直接。Pixel 9 浏览器里，从输入到第一个声音不到 570 毫秒；M3 MacBook Air 不到 150 毫秒；单张 H100 中位延迟 80 毫秒，峰值吞吐 457 倍实时。Hugging Face Space 能直接在网页试，WebGPU Voice Studio 则 100% 在客户端跑。

小不等于差。快到这个程度，听感是另一条线。Zyphra 一并发布 ZAC-1：15 Hz、44.1 kHz 双编码，10×4096 码本。码本 0 量化冻结的 Wav2Vec2-BERT 2.0 教师第 16 层特征，码本 1 到 9 构成声学残差 RVQ。它替代 86 Hz 的 DAC。同等数据条件下，用 ZAC-1 训出的 TTS 模型词错率比用 DAC 低 10 倍，声学相似度同时提升。

Zyphra 还发布了 ZTTS2-Eval：干净朗读覆盖 35 种语言（基于 FLEURS-R），野外说话人克隆覆盖 20 种语言（基于 VoxBlink2），共 420 个项目，采用 IRT 能力指数。榜上，ZONOS3-Mini 在开放权重模型中排第一，领先 Fish S2 Pro 和 MOSS TTS v1.5。

调声音这块像调音台。克隆一个固定声音只是起点。说话人条件有两种给法：最多 60 秒的上下文参考音频前缀，或者一个 192 维的 MECT-B2 说话人嵌入。后者省掉了传音频。年龄、性别表现、音质（柔和、沙哑、明亮、低沉）直接在 MECT-B2 嵌入空间里按方向调整；口音用专门的任务向量和适配器。这些都不需要重新训练。语速、情绪、投射感、生动度在推理时用激活引导控制，引导向量注入残差流。流式生成时，还能把引导向量实时只作用在特定词跨度上。

生成完了还能改。Zyphra 发布了 VoiceCraft 风格的语音编辑配方，GGUF 格式的 zonos3-ptq-edit.gguf，配开源词对齐器 Zyphra/fusealign。替换某个词或短语，原有语气和表达控制保留。

长音频也接得上。骨干是 11 层混合序列混合器，d_model 1,024，其中 9 层 Gated DeltaNet 循环层、2 层全局 GQA 注意力，上下文窗口 32,768，约合 10 分钟连续音频。文本侧用 8,192 条目的 SuperBPE 词表，配合 NeMo 文本归一化（Rust 移植版 zyphra-textnorm）。

权重在 Hugging Face 上以 Apache 2.0 发布，有 bf16 PyTorch 和量化 gguf；运行时和参考代码在 GitHub（github.com/Zyphra/ZONOS3-Mini）以 MIT 许可发布。

本地跑法给得很全：SGLang-Omni 提供 OpenAI 兼容的 /v1/audio/speech 流式端点，Apple Silicon 走原生 MLX，独立 C++/ggml 覆盖 CPU、CUDA、Metal、Vulkan，浏览器里是 WebGPU，另有纯 PyTorch 参考实现。语言覆盖 43 种，从西欧南欧、北欧、中欧东欧，到中东与高加索、东亚、东南亚、南亚。

Zyphra 提供了与 Fish Audio、Qwen、Cartesia、ElevenLabs、OmniVoice 等系统的并排样本。

最后是部署门槛。ZONOS2 用的是 8B 参数骨干加 86 Hz 编解码器，本地和客户端部署被卡住；ZONOS3-Mini 去掉了这两个瓶颈。Apache 2.0 加 MIT，权重和运行时都能下载、修改、装到自己的设备上，合成可以在本地完成，不必把音频送出去。声音克隆的使用门槛和滥用门槛，是同一个数字。