Zonos：开放权重，直指闭源商业级品质
Zyphra 并没有把 Zonos 定位为“不错的开源替代方案”——团队自己的说法是，它在表现力和质量上可与领先的商业 TTS 提供商持平，甚至更胜一筹，同时还以完全宽松的许可证发布了实际模型权重。这是一项具体且可以检验的主张，而不是模糊的质量描述；支撑它的是一次真正大规模的训练：超过 20 万小时的多样化语音，并且有意把中性叙述与高度富有表现力的素材混合在一起，而非主要围绕单一语域进行训练。
什么是 Zonos？
Zonos 是帕洛阿尔托 AI 初创公司 Zyphra 于 2025 年 2 月发布测试版的开放权重文本转语音模型。它提供两种骨干网络版本——标准 transformer 和 SSM 混合架构——两者均有 16 亿参数，并且都采用 Apache 2.0 许可证发布。这意味着可以免费商用的是模型权重本身，而不只是代码，也无需另行签署协议。
底层原理：eSpeak、DAC Token 与两种骨干网络
Zonos 采用一条相对直观的处理管线：先通过 eSpeak 对文本进行规范化并转换为音素，再用得到的序列驱动 Descript Audio Codec（DAC）表示上的 token 预测；具体由 transformer 还是 SSM 混合骨干网络完成生成，取决于你加载的 checkpoint。两者在实际使用中的差别并非表面上的不同——混合版本在标准 attention 之外还加入了 state-space model 组件。与纯 transformer 相比，这类架构选择通常会在速度和序列长度处理上形成不同取舍，因此值得针对你的具体工作负载同时测试两者，而不是假定其中一个就是另一个的全面升级。
声音克隆：说话人嵌入与音频前缀
Zonos 支持使用 5 到 30 秒的参考片段进行零样本声音克隆，但有必要理解它用声音来约束生成的两种不同方式。说话人嵌入会从参考片段中提取整体声音身份。音频前缀则是直接在前面拼接一段参考音频，而不是先把它压缩成嵌入；它还能引出耳语等仅凭说话人嵌入确实很难复现的特定表现。如果你的项目需要某种特定表达方式，而普通参考片段没有捕捉到它，那么音频前缀是更直接的调节手段。
如果你根本没有参考声音，Zonos 也提供预设声音选项——包括美式和英式的男声与女声，以及随机声音设置——因此，要获得可用输出并不一定非得进行零样本克隆。
精细的情绪与表达控制
除了声音身份，Zonos 还可以直接控制语速、音高变化、最高频率、整体音频质量和具体情绪——明确支持快乐、愤怒、悲伤和恐惧。它能以如此细的粒度独立调节表达方式和情绪语气，这正是“富有表现力”定位的重要基础，而不是只对整个输出套用一个粗略的风格参数。
多语言支持与原生 44kHz 输出
Zonos-v0.1 支持英文、日文、中文、法文和德文；与这一领域许多输出为 24kHz 的模型相比，它尤其值得注意的一点是能以原生 44kHz 生成音频。这个明显更高的保真上限很有意义，尤其是当输出要进入会严格审视音质的制作流程，而不只是做到能听懂时。
速度
在 RTX 4090 上，Zonos 的实时因子约为 2x——每 1 秒计算时间大约生成 2 秒音频——在性能足够的消费级硬件上，足以舒适地用于近实时应用；不过，它并不是针对专用实时模型所追求的 200ms 以下流式延迟而设计的。
Zonos 入门
- 先安装 eSpeak 依赖。 Zonos 依赖 eSpeak 完成文本规范化和音素转换，因此在尝试运行推理之前要确保系统已经安装它——跳过这一步是首次运行时常见的失败原因。
- 克隆仓库并选择骨干网络。 从 GitHub
git cloneZyphra/Zonos项目，然后根据你想测试的架构，加载Zyphra/Zonos-v0.1-transformer或Zyphra/Zonos-v0.1-hybrid。 - 从参考片段构建说话人嵌入。 只需几行 Python：加载模型，对参考音频调用
make_speaker_embedding()，再用目标文本和语言调用make_cond_dict()，即可完成基本的零样本克隆流程。 - 使用 Gradio 界面进行反复测试。 运行
python gradio_interface.py可以避免每次生成都重新加载模型的开销，而最精简的 Python 示例默认会这样做——当你开始迭代而不只是生成一个样本时，这一点确实很实用。 - 在投入本地配置前先试用托管 playground。 Zyphra 在
playground.zyphra.com/audio提供托管版本，方便你在投入时间进行本地安装之前，快速评估输出质量和可用控制项。 - 专门针对难以克隆的表现使用音频前缀。 如果仅靠说话人嵌入无法生成你需要的耳语、气声或其他特定表达方式，就改用音频前缀条件控制方法。
获得更好效果的技巧
- 在实际用例中测试两种骨干网络。 transformer 与 SSM 混合模型并非简单的“旧版与新版”关系——它们代表真实的架构取舍，因此，针对你的具体内容类型对两者进行基准测试，比假定某一个在所有场景中都更好要可靠。
- 使用真正干净、时长在 5–30 秒内的参考片段。 零样本克隆正是围绕这个时长范围调优的，因此，处在该范围内且录制良好的样本，会比短得多或被无谓填长的片段表现更好。
- 有意识地组合情绪与表达控制，而不是一次只调一项。 语速、音高和情绪可以独立调节，因此，经过思考后将它们叠加使用（例如更快的节奏搭配一种特定情绪），才能真正体现 Zonos 所主张的表现力，而不是孤立地只调整一个参数。
- 不特别需要克隆时使用预设声音。 如果目标并不是复现某个具体真人的声音，内置的美式/英式男声和女声预设可以省去寻找并准备参考片段的步骤。
- 如果需要更广的语言覆盖或更低延迟，请留意 Zyphra 更新的 ZONOS2。 Zyphra 此后已经发布后续模型，它使用规模大得多的数据集训练，扩展了语言支持，并采用旨在降低延迟的混合专家架构——如果你的具体需求超出了 v0.1 的覆盖范围，值得进一步了解。
Zonos 与其他表现力声音克隆模型对比
| Zonos | Chatterbox | F5-TTS | |
|---|---|---|---|
| 背后机构 | Zyphra | Resemble AI | 独立研究（SJTU/Cambridge/Geely） |
| 参数量 | 1.6B（两种骨干网络版本） | ~0.5B | 并不主要以参数量定位 |
| 克隆所需参考片段 | 5–30 秒 | 5–10 秒 | ~5–15 秒 |
| 情绪控制 | 明确支持：快乐、愤怒、悲伤、恐惧 | Exaggeration 参数 | 不是专门功能 |
| 原生输出采样率 | 44kHz | 未以这一保真度明确说明 | 标准 TTS 采样率 |
| 语言 | 英文、日文、中文、法文、德文 | 英文（Multilingual：23 种） | 主要面向英文 |
| 许可证 | Apache 2.0 | MIT | CC-BY-NC（非商业） |
Zonos 的独特优势，是把真正大规模、兼顾两类语域的训练语料，与完全开放、允许商用的模型权重和原生 44kHz 保真度结合在一起——即使它的五语言覆盖范围比一些专注多语言的竞品更窄，这样的组合在其他产品中仍然更难找到。
常见问题
Zonos 真的可以免费商用吗？
可以。transformer 和 SSM 混合模型的权重都采用 Apache 2.0 许可证发布，无需另行签署协议即可商用。
Zonos 的 transformer 模型与混合模型有什么区别？
混合模型在标准 transformer attention 之外加入了 state-space model 组件，体现的是不同的架构取舍，而不是直接升级；在你的具体用例中同时测试两者，是做出选择的可靠方式。
Zonos 进行声音克隆需要多少参考音频？
大约 5 到 30 秒，可以使用说话人嵌入（用于整体声音身份）或音频前缀（更适合耳语等特定表现）。
Zonos 支持哪些语言？
v0.1 版本支持英文、日文、中文、法文和德文。
不安装任何东西，有托管方式可以试用 Zonos 吗？
有。Zyphra 在 playground.zyphra.com/audio 提供托管 playground，你可以直接测试该模型的声音克隆和表现力控制。
使用参考音频生成相似音色语音
如果你希望完成相近的“参考音频 + 新文本 → 相似音色语音”流程，可以使用 Echora 的声音克隆。上传你自己的声音或已获明确授权使用的参考音频，输入最多 5,000 个字符的新文本，即可生成与参考音色相近的新语音。