Zyphra представи отворения модел за реч ZONOS3-Mini
Zyphra представи ZONOS3-Mini — модел за синтез на реч с отворен код, предназначен за работа в реално време на локални устройства. Разредената му Mixture of Experts архитектура включва общо 800M параметъра, като за всеки токен се активират около 100M чрез 64 експерта и маршрутизиране top-2. Теглата се разпространяват под лиценза Apache 2.0, а моделът поддържа клониране на глас без предварително обучение и управление на начина на произнасяне на ниво дума.
ZONOS3-Mini работи в браузър чрез WebGPU, на Apple Silicon чрез MLX и на CPU, CUDA, Metal или Vulkan чрез ggml. За NVIDIA GPU се поддържа SGLang-Omni, а една заявка може да генерира до 10 минути аудио. Zyphra посочва, че обучението е проведено с 112 NVIDIA H100 за 2,5 дни.
В самостоятелно отчетените от Zyphra резултати от ZTTS2-Eval моделът е първи сред отворените модели по Capability Index. Посочените показатели включват медианни 80 ms до първия звук на един H100 при осем едновременни заявки и под 570 ms в браузър на Pixel 9. Компанията уточнява, че тестовете са нейни, а клонирането от референтен аудиоклип дава значително по-нисък резултат от режима със speaker embedding.
Текстът е изготвен от ИИ на Sakhanda Wire по материал на MarkTechPost. Фактите, цитатите и пълният контекст са в оригиналната статия по-долу.