Zyphra выпустила Zonos3-Mini: клонирование голоса на 43 языках прямо в браузере

Если вы хоть раз встраивали озвучку в продукт, знаете цепочку проблем. Качественный синтез речи обычно живёт на сервере: нужен GPU, счёт за API, очередь запросов и отдельная заметка в политике приватности о том, куда уходят голоса пользователей. Лёгкие модели, которые можно запустить локально, чаще всего звучат как навигатор из 2010-го. Zyphra заявляет, что с Zonos3-Mini этот компромисс стал меньше.

Что именно выпустили

Zonos3-Mini — открытая модель синтеза речи на 100 млн активных параметров. По описанию релиза, она клонирует голос по короткому аудиосэмплу и умеет работать в реальном времени на смартфонах и ноутбуках. Поддерживаются 43 языка, русский в списке есть, как и английский, испанский, китайский, японский и арабский.

Отдельно заявлено тонкое управление звучанием. На лету можно менять возраст говорящего, акцент, тембр и эмоциональную окраску, а также темп и интонационные ударения вплоть до отдельных слов. Для практики это значит, что один и тот же текст можно озвучить спокойно, бодро или с нажимом на нужном слове, не записывая заново.

Почему важен браузер

Главная часть новости не в числе параметров, а в способе запуска. Модель компилируется в GGUF и Safetensors и исполняется на локальном GPU через WebGPU. Python, CUDA и серверные API не нужны.

Представьте простой сценарий: веб-приложение для изучения языков. Пользователь загружает десять секунд своего голоса, и приложение читает ему уроки его же интонацией. Раньше для этого нужен был бэкенд с GPU и передача голосовой записи на сервер. Теперь теоретически всё происходит во вкладке: аудио не покидает устройство, а стоимость инференса не растёт вместе с числом пользователей, потому что считает их железо.

Такая схема подходит для оффлайн-режимов, голосовых интерфейсов с минимальной задержкой, прототипов, где не хочется поднимать инфраструктуру, и продуктов с жёсткими требованиями к приватности.

Лицензия и доставка

Веса опубликованы на Hugging Face, исходный код и веб-рантайм лежат в репозитории проекта. По данным анонса, лицензия Apache 2.0, то есть коммерческое использование разрешено. Готовые квантования GGUF уже есть. Если локального запуска мало, для высоконагруженных систем Zyphra предлагает бессерверный инференс в Zyphra Cloud. Это удобный путь: прототипировать в браузере, а при росте нагрузки уйти на сервер с той же моделью.

Что пока неизвестно

Все перечисленные характеристики пришли из анонса и пересказа в Telegram-канале. Независимых замеров в материале нет. Нужно самим проверить несколько вещей:

• Качество русского. Строчка «русский есть» ещё не говорит о естественной просодии, ударениях и работе с числами и аббревиатурами.
• Реальную скорость. «Реальное время на смартфонах» зависит от конкретного чипа и браузера. Поддержка WebGPU на мобильных устройствах до сих пор неравномерна.
• Объём референсного аудио. «Короткий сэмпл» может означать и 5, и 30 секунд, а сходство голоса сильно зависит от записи.
• Размер загрузки. Даже для 100M-модели веса придётся скачать в браузер, и на первом запуске это ощутимо.

Отдельная тема — безопасность. Локальное клонирование голоса без серверной модерации усложняет защиту от дипфейков и мошенничества. Если вы встраиваете такую функцию в продукт, продумайте согласие владельца голоса и маркировку синтетического аудио.

Что делать

Разработчикам голосовых функций стоит выделить вечер: скачать веса, прогнать свой русский текст и сравнить с текущим TTS по задержке и сходству голоса. Продактам полезно пересмотреть допущение «голос = облачный сервис». Если качество окажется приемлемым, часть сценариев можно перенести на клиент, убрать из счетов расходы на инференс и упростить юридическую часть. Если нет, Zonos3-Mini всё равно показывает направление: компактные речевые модели в браузере становятся рабочим инструментом, а не демо.