本文へスキップ
株式会社オブライト
株式会社オブライト

ZONOS3-Miniとは

活性100Mで43言語・日本語対応のオープン音声合成、必要スペック・使い方・声のクローン【Irodori-TTS・Fish Audioとの違い】

2026/11/17に公開約14分で読めます

ZONOS3-Miniは、Zyphraが公開した総約800M・活性約100MのオープンウェイトTTS。43言語(日本語を含む)と声のクローンに対応し、重みはApache 2.0。ブラウザ・NVIDIA・Mac・CPUごとの公式要件と実ファイルサイズ、使い方、Irodori-TTS・Fish Audio・VoiceStudio・ElevenLabsとの違いを整理する。

ZONOS3-Mini は、米 Zyphra が公開したオープンウェイトの音声合成(TTS)モデルで、総パラメータ約800M・1トークンあたりの活性約100M(MoE)、43言語(日本語を含む)と音声サンプルからの声のクローンに対応し、重みは Apache 2.0 で無料で使える。 ブラウザ(WebGPU)、NVIDIA GPU、Apple Silicon、CPU(C++/ggml)のいずれでも動かせると公式モデルカードにあり、必要メモリは環境ごとに大きく違う。本稿では公式に書かれている要件と実ファイルサイズを先に整理する。

本稿は2026年11月16日時点の Hugging Face モデルカード、Zyphra 公式ブログ(2026年11月9日公開)、GitHub リポジトリ、arXiv 技術レポート(2611.16525、2026年11月12日投稿)に基づく。Hugging Face のリポジトリ作成は2026年11月9日で、2026年11月16日時点のダウンロード数は39,862、いいねは393、GitHub のスターは166だった。重みのライセンスは Apache 2.0、GitHub のコードは MIT と書かれている。評価結果はすべて Zyphra の公表値で、第三者による検証ではない。

なぜ今注目されているか

理由は「活性100M」という軽さと、それでいて多言語・声のクローンまで備えている点にある。公式ブログによると、ブラウザ(WebGPU)では Pixel 9 で初回音声までの時間が570ms未満、M3 MacBook Air で150ms未満とされている。ただしこれは Zyphra の公表値で、測定条件の詳細は本稿では確認できていない。モデルカードは、H100 80GB 1枚で同時8リクエスト時の初回音声までの時間の中央値が80ms、ピーク時のスループットが「1秒あたり457秒分の音声」と書いている。

評価については、公式ブログは Zyphra 自身の評価基準 ZTTS2-Eval(FLEURS-R の読み上げ音声35言語+VoxBlink2 の実環境録音20言語、計55サブセット)の Capability Index でオープンモデル中1位(次いで Fish S2 Pro、MOSS TTS v1.5)としているが、スコアの数値は記事中に示されていない。arXiv の要旨では、55サブセットのマクロ平均 WER は6.71%、より大きく遅い最先端モデルと競合する単語誤り率だと述べている。学習は H100 112基で2.5日、音声コーデックは ZAC-1(15Hz)に刷新した。これらはいずれも Zyphra の公表値だ。

前世代との関係では、Zonos v0.1 についての記述は公式ページに見つからなかった。公式ブログは ZONOS2(8B パラメータ、86Hz の DAC コーデック)と比べ、ZONOS3-Mini は総800M、独自コーデック、Gated DeltaNet とアテンションのハイブリッド構成、新しい話者エンコーダになったと説明している。

何ができるか

機能内容
多言語の音声合成43言語。日本語、中国語(北京語)、韓国語、英語、ヒンディー語など。出力は44.1kHzのモノラル
声のクローン参照音声(最大60秒)から話者を再現。コーデックで符号化する「raw reference」方式と、192次元の話者埋め込み方式の2通り。SGLang-Omni では書き起こしテキスト不要
声のデザイン・制御年齢・アクセント・声質を調整して声を作る。感情・速さ・間を単語単位で調整できるとモデルカードにある。音量・帯域・話速の3つの制御値も持つ
ストリーミング生成しながら音声を返す。OpenAI 互換の /v1/audio/speech と独自の /v2/generate を提供
長さ1回の生成で最大10分の音声(モデルカードのアーキテクチャ表)
音声の編集書き起こしを使った部分編集(speech editing)。ただし必要な LoRA は非公開リポジトリにあると README にあり、そのまま使えるかは未確認

必要スペックと動かし方

最初に、環境別の要件と実ファイルサイズを表にまとめる。サイズは Hugging Face の API(2026年11月16日取得)から得たバイト数を十進の GB に直した値で、公式 README が書いている概数とは単位の取り方で少し違う。公式には、どの環境でも必要 VRAM・RAM の最小値は書かれていない。表の「ファイルサイズ」は、実行時に必要なメモリの下限ではない点に注意してほしい。

動かし方公式に書かれている要件実ファイルサイズ公式に記載がない点
ブラウザ(WebGPU)WebGPU 対応ブラウザ。インストール不要で、初回に重みをダウンロードしブラウザがキャッシュweb/ 全体は約5.69GB(README は約5.3GB と表記、うちフルサイズデコーダー zac-full_mr が約1.23GB)。初回に読み込むのは backbone と zac で約1.0GB(README)。声のアップロードを使うと encoder と teacher の約2.8GB(README)が追加必要メモリ。ブログは Pixel 9 で初回音声570ms未満と記載
NVIDIA CUDA(SGLang-Omni / Zyphra の CUDA サーバー)Linux x86_64 と NVIDIA GPU(H100 で検証)、CUDA 12.8 toolkit、Python 3.12(uv 管理)。初回起動のカーネル JIT コンパイルに数分。A100 など Hopper 未満の GPU では移植性のある Triton カーネルを選択PyTorch 版の重みは README が約9GB(既定デコーダー)と表記。LM の model.pth は1.77GB(bf16)。リポジトリ全体は約30.7GBVRAM の最小値。H100 以外での動作確認範囲
Apple Silicon(MLX サーバー)Apple Silicon の Mac。uv sync と GGUF の取得。既定は 127.0.0.1:1919gguf/ フォルダは README が9.3GB と表記(HF 実測で約9.9GB)。最小構成は backbone-ptq 約0.66GB+zac-keep2 約0.45GB+spk-encoder 約0.05GB で合計約1.16GB必要な RAM。ブログは M3 MacBook Air で初回音声150ms未満と記載(実行方式の記載は確認できず)
CPU ほか(C++/ggml のサーバーと CLI)CPU・CUDA・Metal・Vulkan に対応。CMake と Rust ツールチェーンが必要(テキスト正規化ライブラリのビルドに使う)。Metal・Vulkan・Windows は環境のツールチェーンとバックエンド実装に依存と README にあるMLX と同じ GGUF。既定の backbone は Q4_0(専門家)+Q8_0(ミキサー)の量子化済み。フルサイズのデコーダー zac.gguf は約2.20GB、生の参照音声クローン用の zac-encoder.gguf は約4.03GB、ssl-teacher.gguf は約1.55GB必要な RAM。CPU での速度(リアルタイム係数)は確認できず

表のとおり、いちばん小さく試せるのはブラウザ版と、約1.16GBの最小 GGUF 構成だ。逆に、NVIDIA GPU のサーバー運用は H100 で検証されたという記載にとどまり、24GB 級のゲーミング GPU で動くかどうかは公式に書かれていない。なお、プリセット声は言語別フォルダに入っていて、英語・フランス語・ドイツ語・韓国語・中国語などはあるが、日本語のフォルダはない。日本語で声を作る場合は自分で参照音声を用意することになる。

ライセンスは、Hugging Face の重みが Apache 2.0(商用利用可)、GitHub のランタイムコードは MIT と書かれている。GitHub の README は、オプションの音素化ツール espeak-ng が GPL-3.0(オプトイン)、FuseAlign が Apache-2.0 とも注記している。ほかに、Zyphra Cloud でのホスト版もあるが、料金は本稿では確認していない。

使い方 — 最短手順

- インストール不要で試す: ブラウザで Zonos Voice Studio(https://zyphra.com/zonos3-mini/localplayground)か、声のクローンに絞った Lite(/lite)を開く。WebGPU 対応ブラウザが必要で、初回はモデルのダウンロードを待つ。
- NVIDIA GPU のサーバーとして動かす: SGLang-Omni をインストールして sgl-omni serve を実行し、OpenAI 互換の /v1/audio/speech に POST する。声のクローンは references に参照音声を渡す。
- Mac で動かす: リポジトリを取得して uv sync --locked --package zonos3-mlx、GGUF をダウンロードして servers/mlx/scripts/serve.sh を実行する。
- C++/ggml で動かす: servers/ggml で CMake ビルドし、最小構成の GGUF 3点を取得して zonos3-cli で生成する。

# 1. NVIDIA GPU(SGLang-Omni をインストール済みの場合。モデルカードの手順)
sgl-omni serve --model-path Zyphra/ZONOS3-Mini --port 8000

# 別のターミナルで、既定の声で生成
curl -X POST http://localhost:8000/v1/audio/speech \
  -H "Content-Type: application/json" \
  -d '{"input": "Hello from ZONOS3-Mini!"}' \
  --output output.wav

# 2. Apple Silicon(GitHub README の手順。クローン先は README では ZONOS3 表記)
git clone --recurse-submodules git@github.com:Zyphra/ZONOS3.git
cd ZONOS3
uv sync --locked --package zonos3-mlx
hf download Zyphra/ZONOS3-Mini --include 'gguf/*' --local-dir servers/ggml
servers/mlx/scripts/serve.sh      # 127.0.0.1:1919

# 3. C++/ggml(servers/ggml で。最小構成の GGUF 3点)
cmake -B build -DCMAKE_BUILD_TYPE=Release && cmake --build build -j
hf download Zyphra/ZONOS3-Mini gguf/backbone-ptq.gguf gguf/zac-keep2.gguf gguf/spk-encoder.gguf --local-dir .
./build/zonos3-cli gguf/backbone-ptq.gguf --tts 'Hello, world.' out.wav --seed 1
./build/zonos3-cli gguf/backbone-ptq.gguf --tts 'Hello again.' clone.wav --clone <参照音声ファイル> --seed 1

日本語を読ませる場合、モデルカードは入力文が NeMo ベースで正規化される言語として日本語を挙げている(英語・中国語・日本語・韓国語・ドイツ語・スペイン語・フランス語・イタリア語・ポルトガル語。それ以外の言語は入力のまま通す)。日本語の読みや抑揚が実際に自然かどうかは、公式の数値がないので自分の文で確かめるしかない。

他の音声合成モデルとの違い

項目ZONOS3-MiniIrodori-TTS v4-LargeFish Audio Drama 3VoiceStudioElevenLabs
形態オープンウェイトオープンウェイトオープンウェイトローカルアプリ(複数エンジンを統合)クラウドサービス
パラメータ総約800M・活性約100M約3.29B35B(活性約3B)エンジンにより異なる非公開
ライセンス重み Apache 2.0(コード MIT)重み Gemma Terms of Use(コード MIT)Fish Audio Community Licenseアプリ AGPL-3.0(モデルは個別)商用サービス
日本語43言語に含む。日本語単独の評価は公表されていない日本語専用83言語646言語のカタログ(エンジン依存)本稿では確認していない
声のクローン参照音声最大60秒参照音声合計120秒対応対応(既定エンジンは数秒から)Starter 以上(Instant Voice Cloning)
ローカル実行ブラウザ・NVIDIA・Mac・CPU可(VRAM は公式に明記なし)可(48GB 級 GPU が目安)可(RAM 8GB・GPU 不要から)不可(API・アプリのみ)
料金重みは無料(ホスト版は未確認)無料自前運用は条件付き無料。API 定価 $50 / 100万文字無料無料枠 $0(月10,000クレジット)、Starter $6/月(30,000クレジット)、Creator $22/月

使い分けの目安は次のとおり。日本語の読みと声の質を最優先するなら、日本語専用の Irodori-TTS-v4-Large が候補になる。演技指示や多話者を重視し、48GB 級の GPU を用意できるなら Fish Audio Drama 3 がある。複数のエンジンを GUI で切り替えたいなら VoiceStudio が近い。ZONOS3-Mini は、スマホ・ノートPC・ブラウザまで含めて軽く動かしたい、多言語を1つのモデルで済ませたい、という場面で検討する位置づけだ。ElevenLabs は料金表の範囲(ここでは公式ページで確認できた無料枠と Starter・Creator)で使えるクラウドの選択肢で、データを外部に出せるかどうかが分かれ目になる。比較の数値は各記事・公式ページに基づくもので、同一条件で測った結果ではない。

注意点・向いている人

- 声のクローンは本人の同意がある声だけに使う。公式のモデルカード・ブログ・GitHub のトップページには、透かし(ウォーターマーク)や悪用防止に関する記述を確認できなかった。生成音声の透かしはモデル側では保証されないものとして、運用側で同意の記録と表示のルールを決めておきたい。社長の声を真似た送金依頼などのなりすまし詐欺は現実の被害になっており、対策は社長なりすまし詐欺の対策にまとめている。
- 日本語の品質は公式の数値がない。公式ブログと arXiv の要旨は35言語+20言語の集計結果を示すが、日本語単独の値は確認できなかった。日本語専用モデルと同じ水準とは限らない。
- パラメータ数の表記に差がある。モデルカードは総800M・活性約100M、arXiv の要旨の要約は886M・活性100M と読める。数え方(コーデックなどを含めるか)の違いと思われるが、公式に説明は確認できなかった。
- 必要メモリは自分で測る。公式は VRAM・RAM の最小値を書いていない。ファイルサイズは目安にとどまる。
- セットアップはやや複雑。CUDA サーバーは初回に数分の JIT コンパイルがあり、README のクローン先名が ZONOS3 で、リポジトリ名の ZONOS3-Mini と異なる。サブモジュールの取得も必要になる。
- 向いている人: ローカルやブラウザで軽く動く多言語 TTS を試したい開発者、スマホや組み込みでの音声出力を検討する人、Apache 2.0 で商用の可否を確認しやすいモデルを探している人。日本語の品質だけを重視する用途では、先に日本語専用モデルと聞き比べたい。

よくある質問

ZONOS3-Mini は無料で商用利用できますか。

Hugging Face の重みは Apache 2.0 と書かれていて、商用利用を含めて無料で使える。GitHub のコードは MIT。オプションの音素化ツール espeak-ng は GPL-3.0(オプトイン)なので、組み込む場合は別途確認が必要。Zyphra Cloud のホスト版の料金は本稿では確認していない。

日本語は話せますか。品質はどれくらいですか。

43言語に日本語が含まれている。ただし、日本語単独の評価結果は公式ブログ・モデルカード・arXiv の要旨で確認できなかった。評価は35言語+20言語の集計で、マクロ平均 WER は6.71%(Zyphra の公表値)。日本語の品質は自分の文章で確かめるのが確実。

必要な VRAM やメモリは何GBですか。

公式には最小値の記載がない。分かるのはファイルサイズで、最小の GGUF 構成(backbone-ptq・zac-keep2・spk-encoder)が合計約1.16GB、PyTorch 版は README が約9GB、ブラウザ版の web フォルダは約5.69GB。実行時のメモリはこれより増えるため、自分の環境で測る必要がある。

声のクローンにはどんな音声が要りますか。

参照音声は最大60秒。SGLang-Omni では書き起こしテキストは不要。声の特徴を192次元の埋め込みにして使う方式と、コーデックで符号化して使う方式がある。クローンに適した音声の長さや品質(雑音・BGM の影響)について公式の推奨値は確認できなかった。

スマホで動きますか。

ブラウザ(WebGPU)版が Pixel 9 で初回音声570ms未満とブログにある。ただし、必要メモリや対応する端末の範囲は公式に書かれていない。

まとめ

ZONOS3-Mini は、活性約100Mの軽さで43言語と声のクローンを備えた Apache 2.0 のオープン TTS だ。試すだけならブラウザ版、サーバーなら SGLang-Omni、Mac や CPU なら約1.16GBの最小 GGUF 構成が入り口になる。一方で、必要メモリ、日本語単独の品質、悪用防止の仕組みは公式に書かれていないため、導入前に自分の環境と文章で確かめたい。評価値は Zyphra の公表値で、第三者の検証は今後を待つことになる。

音声合成モデルの選定や社内システムへの組み込みは、AIコンサルティングでも扱っている。

参考リンク(一次ソース)

株式会社オブライト

株式会社オブライトは、ソフトウェア開発、デジタルサイネージ、Web開発、ネットワークシステム、IoT/AR/VRなどの技術サービスを提供する東京のIT企業です。

お気軽にご相談ください

お問い合わせ