声をつくり、単語ごとに演出する。Zyphraが小型音声合成「ZONOS3-Mini」を公開
Zyphraが、小型のオープンソース音声合成モデル「ZONOS3-Mini」を公開した。音声サンプルからの声のクローンや新しいキャラクター声の設計に対応し、感情・ペース・話し方を単語ごとに調整できる。Zyphraは、スマホやノートPC、ブラウザでもリアルタイムに動くと説明している。

声の素材から、キャラクターの声づくりへ
ZONOS3-Miniは、音声サンプルから声を再現するゼロショット音声クローンに対応するTTSモデルだ。Zyphraは、既存の声を基にするだけでなく、年齢・アクセント・声質を指定して新しいキャラクターの声を作れると紹介している。
さらに、感情やペース、話し方を単語単位で調整できる。セリフ全体の雰囲気を決めるだけでなく、決め台詞のどこに力を入れるかまで演出できるのが、制作側には気になるポイントだ。
スマホからブラウザまで、ローカルで動かす設計
Zyphraによると、モデルはスマホやノートPCでもリアルタイムに動き、WebGPUを使ったブラウザ実行にも対応する。ブラウザ・ネイティブ・サーバー向けのランタイムがあり、サーバー向けにはSGLangへの対応も案内されている。
モデルはスパースMoE構成で、総パラメータ数は約8億、生成時に使うアクティブパラメータは約1億。重みはApache 2.0でHugging Faceに公開されている。Zyphraは用途として、ゲーム、ナレーションツール、アシスタントの声を挙げている。
告知は強盗映画風のショート映像
告知動画は、夜の都市や車内の男女、エレベーター、金庫室などが登場する強盗映画風の短編。ZONOSアプリを表示したスマホや、都市全域のネットワーク停止を伝えるニュース画面も見える。
Zyphraは投稿で、この映像に登場する声はすべて、スマホでもリアルタイムに動くTTSモデルから生成したものだと説明している。キャラクターの声を作り分け、セリフの演技を組み立てるという使い方を打ち出したデモだ。
