一句话看懂：Zyphra 于 2026 年 11 月 10 日发布开源 TTS 模型 ZONOS3-Mini，采用 800M 总参数、约 100M 活跃参数的稀疏 MoE 架构，主打在浏览器、笔记本和本地设备上实时运行，权重以 Apache 2.0 开放。
事件核心：发生了什么
ZONOS3-Mini 是 Zyphra 继 ZONOS2（8B 参数、86 Hz 编解码器）之后推出的紧凑型零样本语音克隆 TTS。根据目前公开信息，它包含 64 个专家、top-2 路由，上下文长度 32,768，单次最多生成约 10 分钟音频。Zyphra 表示该模型在 112 块 NVIDIA H100 上训练了 2.5 天，并引入自研的 ZAC-1 编解码器（15 Hz、10 个码本）和基于 MECT-B2 的说话人编码器，支持通过说话人嵌入或最长 60 秒参考音频进行克隆，还能在流式生成中对特定词施加节奏、情绪等风格控制。
为什么重要
当前开源 TTS 的竞争点正从“效果上限”转向“端侧可部署性”。ZONOS3-Mini 把活跃参数压到约 100M，并给出 WebGPU、MLX、ggml 等多条推理路径，意味着语音合成有机会像轻量图像模型一样进入浏览器和普通消费设备，而不必依赖云端 GPU。许可证方面，Apache 2.0 对商业使用较友好，这与 Fish Audio 需要单独商业授权形成对比，可能影响开发者的选型。不过，目前公开信息显示其评测由 Zyphra 自行完成，尚未看到独立复现，排名应理解为特定条件下的结果。
对用户/开发者/创作者的影响
对开发者而言，最直接的价值是部署门槛：官方列出 NVIDIA GPU 走 SGLang-Omni、Apple Silicon 走 MLX、CPU/CUDA/Metal/Vulkan 走 ggml，以及浏览器 WebGPU 四条路径。Zyphra 称在单张 H100、8 路并发下首音频中位延迟约 80 ms；浏览器端在 Pixel 9 上首音频低于 570 ms，在 M3 MacBook Air 上低于 150 ms，这些数据均来自厂商自测。对创作者来说，词级风格控制和生成后编辑模型提供了更细的调节手段，但参考音频克隆模式在 ZTTS2-Eval 能力指数上仅 44.7，明显低于说话人嵌入模式的 66.2，实际使用时应优先验证嵌入模式的效果。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是第三方能否复现 ZTTS2-Eval 上的成绩，尤其是参考音频克隆与嵌入模式的差距是否会在后续版本收敛；二是浏览器和手机端延迟在真实网络与设备条件下是否稳定；三是 Apache 2.0 能否吸引足够的应用层集成，形成与闭源 TTS API 的差异化竞争。
