Zyphra、音声合成モデル「ZONOS2」をオープンソース公開：8B MoEで高精度音声クローン

Zyphra がオープンソースで公開した「ZONOS2」は、高品質な音声クローンに特化したテキスト読み上げ（TTS）モデルです。総パラメータ 80 億の Mixture of Experts（MoE）アーキテクチャを採用しながら、推論時にアクティブになるパラメータは 9 億に抑えられています。

600 万時間を超える多言語音声データセットで学習されており、44.1 kHz の高音質オーディオを出力します。表現力や自然さは商用の主要 TTS サービスに匹敵、あるいはそれを上回る水準だとされています。

ZONOS2 でできること

最大の特徴は、低遅延と極めて自然な音声クローン能力の両立です。

対応言語は階層化されており、ティア 1 として日本語、英語、中国語（標準語）に対応しています。ティア 2 には韓国語、フランス語、ドイツ語、スペイン語など 10 言語が含まれ、ティア 3 ではさらに多くの言語をカバーします。

推論パイプラインには nemo TN によるテキスト正規化と ECAPA-TDNN による話者埋め込みを採用し、MoE バックボーンから DAC トークンを生成することで、自然なイントネーションと素早い応答を実現しています。

ローカルでの動かし方

ローカル環境で動かすには、一定のハードウェア要件を満たす必要があります。OS は Linux（x86_64）限定で、適切なドライバを備えた NVIDIA GPU が必須です。

環境構築には uv を使用します。Mini-SGLang をベースにした専用の高速推論サーバーが用意されており、起動するとローカルの 1919 ポートで Web UI と API が立ち上がります。

参照音声を入れたフォルダを指定すれば、WAV や MP3 などの音源を自動スキャンして即座に声質をクローンできます。Python スクリプトから直接呼び出してオフラインで一括生成することも可能です。手元に環境がない場合は、Zyphra Cloud 上の Audio Playground でブラウザから試すこともできます。

ライセンスは商用利用にも寛容な Apache 2.0 で、GitHub および Hugging Face から入手可能です。

なぜ重要か

80 億パラメータの表現力を持ちながら、推論時は 9 億パラメータ分しか動かさない MoE 構造は、音声合成における計算効率を大きく引き上げます。これにより、多言語対応と低遅延なリアルタイム対話が現実的な負荷で両立できるようになりました。

さらに Apache 2.0 で推論サーバー込みで提供されているため、オンプレミス環境で音声エージェントや読み上げサービスを構築したい開発者にとって有力な選択肢になります。動作環境が Linux と NVIDIA GPU に限られる点はハードルですが、試す価値は十分にあります。