Das KI-Startup Zyphra hat das Open-Source-Modell Zonos-v0.1 auf Hugging Face veröffentlicht. Es ermöglicht die Generierung natürlich klingender Sprache aus Texteingaben und Voice Cloning mit nur 5-30 Sekunden Sprachdaten. Es unterstützt Englisch, Japanisch, Chinesisch, Französisch und Deutsch. Es bietet Kontrolle über Sprechgeschwindigkeit, Tonhöhe, Audioqualität und Emotionen. Laut Zyphria läuft Zonos auf einer RTX 4090 GPU schneller als in Echtzeit. Es verfügt über eine benutzerfreundliche Gradio-Oberfläche und lässt sich mit Docker einfach installieren und einsetzen. Das Modell wurde mit ca. 200.000 Stunden hauptsächlich englischsprachiger Sprachdaten trainiert und ist in zwei Varianten verfügbar: Ein reines Transformer-Modell und ein hybrides Modell, das State-Space-Modelle mit Transformern kombiniert. Zonos kann außerdem im Zyphra-Playground oder via API aufgerufen werden.
Today, we're excited to announce a beta release of Zonos, a highly expressive TTS model with high fidelity voice cloning.
We release both transformer and SSM-hybrid models under an Apache 2.0 license.
Zonos performs well vs leading TTS providers in quality and expressiveness. pic.twitter.com/jaliZNJecm
— Zyphra (@ZyphraAI) February 10, 2025
