Zyphra presentó ZONOS3-Mini, un modelo de texto a voz de código abierto que activa alrededor de 100 millones de sus 800 millones de parámetros y apunta a funcionar desde el navegador hasta una GPU de servidor. La compañía destaca su latencia y sus capacidades de clonación, aunque sus resultados comparativos provienen de pruebas propias y el modo de referencia queda rezagado.
***

• ZONOS3-Mini usa una arquitectura de mezcla de expertos, tiene licencia Apache 2.0 y admite generación de audio de hasta 10 minutos.
• Zyphra reporta 80 milisegundos hasta el primer audio en una H100, mientras que las cifras de navegador varían entre un MacBook Air M3 y un Pixel 9.
• El modelo encabeza el índice ZTTS2-Eval de Zyphra, pero los resultados no tienen verificación independiente y el modo de clonación por clip obtiene una puntuación menor.

Zyphra lanza ZONOS3-Mini para llevar la generación de voz con IA a dispositivos locales

Un modelo de voz pensado para funcionar fuera de grandes servidores

Zyphra presentó ZONOS3-Mini, un sistema de texto a voz (TTS) de código abierto que busca generar audio en tiempo real en equipos locales. El modelo combina 800 millones de parámetros totales con una arquitectura de mezcla de expertos que activa cerca de 100 millones por token, y sus pesos se publican bajo la licencia Apache 2.0. La compañía también destaca dos funciones centrales: clonación de voz sin entrenamiento previo y controles de locución aplicables a palabras específicas.

La propuesta apunta a una variedad de dispositivos, desde una pestaña del navegador o un portátil hasta una GPU de servidor. Según las especificaciones divulgadas por Zyphra, el sistema admite un contexto de 32.768 posiciones y puede generar hasta 10 minutos de audio en una sola ejecución. Esa combinación busca reducir la barrera de hardware que suele limitar el uso de modelos de voz de gran tamaño, aunque el desempeño real dependerá del dispositivo y del entorno de ejecución.

ZONOS3-Mini llega como sucesor de ZONOS2, un modelo de 8.000 millones de parámetros que utilizaba un códec de 86 Hz. Zyphra afirma que el tamaño de esa generación anterior restringía las opciones de despliegue, una limitación que intenta resolver con una red más pequeña y una ruta de inferencia adaptable a distintos equipos. La empresa entrenó el nuevo modelo durante dos días y medio con 112 GPU NVIDIA H100.

La licencia abierta de los pesos permite a desarrolladores examinar e integrar el modelo según las condiciones de Apache 2.0, mientras que las opciones de ejecución abarcan hardware de NVIDIA, Apple Silicon y equipos con CPU o GPU compatibles. Zyphra también ofrece un servicio alojado en la nube, pero el énfasis del lanzamiento recae en la posibilidad de ejecutar la generación localmente. MarkTechPost reportó el lanzamiento y las cifras técnicas comunicadas por la compañía.

Códec nuevo, expertos dispersos y controles de voz

El cambio técnico más visible comienza en el códec. Zyphra desarrolló Zyphra Audio Codec 1, o ZAC-1, para sustituir al Descript Audio Codec: funciona a 15 Hz y utiliza 10 codebooks de 4.096 entradas, uno semántico y nueve acústicos. La empresa reporta que, bajo restricciones de datos similares, un modelo entrenado con ZAC-1 redujo diez veces la tasa de error de palabras frente a otro basado en DAC.

Una cabeza causal iSTFT convierte cada fotograma generado en audio de 44,1 kHz, en lugar de esperar a que termine toda la secuencia para producir el sonido. En el núcleo del modelo, la ficha técnica enumera 11 capas y una dimensión de 1.024, con una mezcla de secuencia en proporción tres a uno: nueve capas Gated DeltaNet y dos de atención global. La arquitectura incorpora además mezcla de expertos latente, balanceo Q y residuos de atención.

La mezcla de expertos contiene 64 especialistas y utiliza enrutamiento top-2, de modo que activa dos expertos por token en vez de movilizar todos los parámetros simultáneamente. Zyphra presenta este diseño como una vía para equilibrar capacidad y eficiencia, aunque la cifra de unos 100 millones de parámetros activos no equivale a que el modelo completo tenga ese tamaño: el total sigue siendo de 800 millones. Esa distinción ayuda a entender por qué el sistema puede ser compacto durante la inferencia sin reducir en la misma proporción sus parámetros almacenados.

Para representar la identidad vocal, el modelo cambia el codificador de hablante de Qwen3-TTS por MECT-B2. Puede recibir un clip de referencia sin procesar de hasta 60 segundos o un único embedding de hablante de 192 dimensiones; después, Zyphra aplicó DPO y GRPO durante el postentrenamiento para mejorar la robustez. Los controles de identidad cubren edad, género, acento y textura, mientras que los de ritmo, emoción, proyección y vivacidad recurren a técnicas de direccionamiento de activaciones.

Las cabezas de alineación aprendidas permiten aplicar esos controles a palabras concretas mientras el modelo transmite el audio, en lugar de modificar únicamente la locución completa. La compañía también desarrolló por separado un modelo de edición, basado en una receta de VoiceCraft, para cambiar frases después de la generación. Así, ZONOS3-Mini no se limita a leer texto con una voz elegida: ofrece herramientas para ajustar características de interpretación y corregir segmentos.

Las pruebas muestran ventajas, pero también límites

Zyphra evaluó el modelo con ZTTS2-Eval, un benchmark que cubre 35 idiomas de habla leída limpia y 20 idiomas en grabaciones in-the-wild. Su índice de capacidades aplica teoría de respuesta al ítem a 420 elementos, y ZONOS3-Mini alcanza una puntuación de 66,2 en modo de embedding de hablante. En esa misma clasificación, Fish Audio S2 Pro obtiene 61,7 y MOSS-TTS v1.5 llega a 60,2.

En el conjunto limpio, ZONOS3-Mini registra una tasa de error de palabras (WER) de 7,79 y una similitud de hablante de 83,4. Sin embargo, su resultado MSR-UTMOS de calidad de audio es 3,07, por debajo de Fish Audio S2 Pro, con 3,16, y Qwen3-TTS 1.7B, con 3,54. La comparación, por tanto, no muestra una ventaja uniforme: el modelo de Zyphra lidera algunas métricas, pero queda detrás de rivales en la evaluación de calidad sonora.

El modo de clonación que usa un clip de referencia alcanza 44,7 en el índice de capacidades, muy por debajo de los 66,2 del modo basado en embeddings. Ese contraste importa porque la clonación desde una muestra de audio constituye una de las funciones destacadas del lanzamiento, y su resultado sugiere que los dos métodos de entrada no ofrecen el mismo desempeño en la prueba de la compañía. Zyphra diseñó y ejecutó el benchmark, por lo que las puntuaciones no cuentan con verificación independiente en la información disponible.

La comparación publicada también incluye modelos con tamaños y condiciones distintas: Fish Audio S2 Pro tiene 5.000 millones de parámetros, repartidos entre 4.000 millones de tipo Slow AR y 400 millones Fast AR, mientras que MOSS-TTS v1.5 tiene 8.000 millones y Qwen3-TTS 1.7B tiene 1.700 millones. Ninguno de esos modelos divulga parámetros activos comparables en la tabla de Zyphra. Fish Audio usa una licencia de investigación que exige una licencia aparte para uso comercial; MOSS-TTS y Qwen3-TTS, al igual que ZONOS3-Mini, figuran con Apache 2.0.

Las cifras de idiomas, códecs y velocidad completan el contraste, aunque no permiten una comparación directa en todos los casos. Zyphra evaluó ZONOS3-Mini en 35 idiomas limpios, pero no publicó una lista oficial de idiomas admitidos; Fish Audio anuncia más de 80 y MOSS-TTS 31, frente a 10 de Qwen3-TTS. Las frecuencias informadas son 15 Hz para ZAC-1, cerca de 21 Hz para Fish Audio y 12,5 fotogramas por segundo para Qwen3-TTS, mientras que MOSS-TTS no divulga ese dato.

Despliegue local y cifras de latencia por interpretar con cautela

El repositorio ofrece cuatro rutas de despliegue. En el navegador, el entorno WebGPU ejecuta el modelo en la GPU del usuario sin instalación ni servidor; para GPU NVIDIA, SGLang-Omni permite exponer un endpoint compatible con OpenAI, /v1/audio/speech, con transmisión de audio. Las otras opciones incluyen un servidor MLX para Apple Silicon y una interfaz de servidor y línea de comandos en C++/ggml para CPU, CUDA, Metal o Vulkan.

Quienes prefieran no administrar la infraestructura pueden recurrir a Zyphra Cloud, que ejecuta el modelo en una NVIDIA H200. En sus pruebas, la compañía reporta un tiempo mediano de 80 milisegundos hasta el primer audio en una H100 con ocho solicitudes concurrentes, además de un rendimiento máximo de 457 segundos de audio por segundo. Son cifras de la empresa, y la latencia depende de condiciones de hardware y carga que deben considerarse antes de compararlas con otros sistemas.

El rendimiento en dispositivos de consumo también varía: Zyphra informa menos de 150 milisegundos hasta el primer audio en un MacBook Air M3, frente a menos de 570 milisegundos en el navegador de un Pixel 9. La tabla comparativa atribuye alrededor de 100 milisegundos de latencia a Fish Audio S2 Pro en una H200 y 97 milisegundos de extremo a extremo a Qwen3-TTS 1.7B, mientras que no ofrece una cifra de latencia para MOSS-TTS v1.5. Como cada medición utiliza equipos y condiciones diferentes, esos valores no establecen una clasificación directa de velocidad.

ZTTS2-Eval también informa un índice de 37,7 para Qwen3-TTS 1.7B, frente a los resultados ya citados de ZONOS3-Mini, Fish Audio y MOSS-TTS. En WER limpio, las cifras son 11,06 para Fish Audio, 11,01 para MOSS-TTS y 25,55 para Qwen3-TTS, mientras que sus similitudes de hablante son 81,2, 82,9 y 69,6, respectivamente. En MSR-UTMOS limpio, esos modelos alcanzan 3,16, 3,04 y 3,54; Zyphra advierte que los resultados del benchmark son propios y que las latencias emplean GPU distintas.

El lanzamiento combina una licencia permisiva, ejecución en varios entornos y una arquitectura que reduce el número de parámetros activos por token, elementos que podrían facilitar pruebas e integraciones sin depender siempre de un servidor remoto. A la vez, la brecha entre clonación por embedding y por clip, junto con la ausencia de validación externa de las pruebas, aconseja leer el liderazgo anunciado como un resultado preliminar de ZTTS2-Eval. Para desarrolladores, el siguiente paso será comprobar cómo se comporta el modelo en sus propios idiomas, dispositivos y necesidades de producción.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.

ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín