arXiv cs.AI· Gabriel Clark, Sofian Mejjoute, George Close, Beren Millidge·· 1 天前AI 评分58
ZONOS3-Mini 技术报告：可在笔记本和手机实时运行的零样本语音克隆 TTS 模型
ZONOS3-Mini Technical Report
AI 导读
ZONOS3-Mini 是一个超紧凑、超快的零样本语音克隆 TTS 模型，可在笔记本或智能手机上实时运行。模型采用仅 886M 参数（每 token 激活 100M）的潜空间 MoE 骨干，并配套新的音频编解码器 Zyphra Audio Codec 1（ZAC-1），以 15 Hz 帧率表示 44.1 kHz 音频。
正文 · AI 翻译
摘要：ZONOS3-Mini 是一个超紧凑、超快速的零样本语音克隆 TTS 模型。该模型可以在笔记本电脑或智能手机上实时运行。就其延迟和规模而言，它达到了最先进的准确度和克隆保真度。为实现这一点，我们提出了一个仅含 886M 参数（每个 token 激活 100M）的潜在 MoE 主干网络，以及一种新的音频编解码器 Zyphra Audio Codec 1（ZAC-1），它以 15 Hz 帧率表示 44.1 kHz 音频。在新的 ZTTS2-Eval 基准上，ZONOS3-Mini 在 55 个语言集（35 个干净集和 20 个真实场景集）上达到 6.71% 的宏平均 WER，这与更大、更慢的最先进模型相比具有竞争力。我们发布了模型权重、推理和训练代码。
| 评论： | 19 页，4 幅图，12 张表。模型权重：此 https URL ；代码：此 https URL |
| 主题： | 声音（cs.SD）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.16525 [cs.SD] |
| （或 arXiv:2611.16525v1 [cs.SD] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.16525 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Gabriel Clark [查看电子邮件]
[v1]
2026 年 11 月 12 日星期四 09:24:22 UTC（328 KB）
来源：arXiv cs.AI · arxiv.org