ZONOS2
Official repository and model card - 2026
Oficjalne zasoby ZONOS2 dokumentują wydanie Apache-2.0, TTS API wielojęzyczny, ponad 6 milionów godzin treningu mowy, klonowanie głosu o wysokiej jakości oraz 44.1 kHz PCM wyniki.
Ładowanie...
Wejście
Referencyjny dźwięk głosowy oraz wielojęzyczny tekst do klonowania głosu ZONOS2 TTS
Formaty audio
Produkcja
Generuj mowę WAV przy 44,1 kHz
Przypadek użycia
Narracja krótkich odniesień, testy głosu i próbki mowy wielojęzycznej
W opinii podaj nazwę narzędzia, kroki i napotkany problem. Zrzuty ekranu ułatwią jego zlokalizowanie.
ZONOS2 Voice Cloning TTS generuje wielojęzyczną mowę z krótkiego klipu reference voice. TelkNet prezentuje go jako oficjalny ZONOS2 deployment po stronie serwera z najwyższej jakości domyślnymi ustawieniami i prostym workflow przesyłania-tekstu-pobierania.
ZONOS2 to model Apache-2.0 8B łącznie / 900M aktywnego MoE TTS Zyphra dla wielojęzycznego zero-shot voice cloning i 44.1 kHz PCM wydruku.
ZONOS2 zwraca 44.1 kHz PCM dźwięk przez ścieżkę DAC kodeka.
Dla tego checkpointu nie ma odtwarzalnej publicznej tabeli wyników. Szczegóły są w podlinkowanych materiałach.
Official repository and model card - 2026
Oficjalne zasoby ZONOS2 dokumentują wydanie Apache-2.0, TTS API wielojęzyczny, ponad 6 milionów godzin treningu mowy, klonowanie głosu o wysokiej jakości oraz 44.1 kHz PCM wyniki.
Nie podano odnośników do publikacji.
Zawiera publiczne wyniki testów modeli używanych tutaj i poza serwisem. Domyślnie wyświetlana jest pełna tabela źródłowa; można też wybrać warunki i metryki do porównania. Wyniki z różnych warunków testowych nie są bezpośrednio porównywalne.
Wyświetlane są tylko wyniki ze zweryfikowaną publiczną implementacją inferencji i odpowiednimi wagami oraz algorytmy niewymagające wag. Zamknięte usługi, nieopublikowane wagi i niepotwierdzone wersje eksperymentalne są pomijane. To nie jest ranking wszystkich modeli.
Publiczne wagi nie potwierdzają pełnej licencji open source. Rozwiń dane, aby sprawdzić zadeklarowane licencje wag i warunki dostępu. Brak deklaracji licencji jest oznaczony osobno.
Wybrany model nie ma zweryfikowanego, odpowiadającego mu publicznego wyniku i nie otrzymał miejsca w rankingu.
Wybierz zbiór danych, aby zobaczyć wszystkie metryki każdego modelu. Wiersze są uporządkowane według oficjalnej pozycji lub wybranej metryki. Pogrubienie oznacza najlepszą porównywalną wartość w kolumnie, także przy remisie. Różne protokoły oceny są klasyfikowane osobno; brakujące wyniki są oznaczone jako -.
Do wdrożenia 6 / wiersze źródłowe 17
Nie zweryfikowano pełnego publicznego pakietu inferencji dla tych eksperymentów. Inne wagi modelu o tej samej nazwie nie wystarczą.
CosyVoice 3 · DiTAR · F5-TTS · FireRedTTS-2 · IndexTTS 2 · MegaTTS 3 · MiniMax-Speech · Qwen3-TTS · Seed-TTS · VibeVoice · dots.tts (MF-1step)
Wartości pochodzą z podanego źródła publicznego. Etykiety wierszy wskazują zbiór testowy lub checkpoint; nieopublikowane wyniki są oznaczone jako -.
| Pozycja według metryki | Model | Params | test-en WER↓ / SIM↑ | test-zh WER↓ / SIM↑ | test-zh-hard WER↓ / SIM↑ | Avg WER↓ / SIM↑ |
|---|---|---|---|---|---|---|
| - | VoxCPM 2Publiczne wagi · Kod inferencji | 2B | 1.84 / 75.3 | 0.97 / 79.5 | 8.13 / 75.3 | 3.65 / 76.7 |
| - | dots.tts (Pretrain) | 2B | 1.34 / 76.8 | 0.96 / 80.5 | 6.46 / 79.2 | 2.92 / 78.8 |
| - | dots.tts (SOAR) | 2B | 1.30 / 77.1 | 0.94 / 81.0 | 6.60 / 79.5 | 2.95 / 79.2 |
| - | dots.tts (MF, NFE=4) | 2B | 1.29 / 76.2 | 0.94 / 80.0 | 6.60 / 78.5 | 2.94 / 78.2 |
| - | dots.tts (MF-2steps) | 2B | 1.64 / 76.4 | 1.00 / 80.4 | 6.43 / 78.5 | 3.02 / 78.4 |
| - | dots.tts (MF-2steps-STTS) | 2B | 1.41 / 75.3 | 1.04 / 79.2 | 7.83 / 76.9 | 3.43 / 77.1 |
Zbiory, wersje i warunki są rozdzielone, również źródła bez kwalifikujących się wierszy.
Do wdrożenia 6 / wiersze źródłowe 17
Nie zweryfikowano pełnego publicznego pakietu inferencji dla tych eksperymentów. Inne wagi modelu o tej samej nazwie nie wystarczą.
CosyVoice 3 · DiTAR · F5-TTS · FireRedTTS-2 · IndexTTS 2 · MegaTTS 3 · MiniMax-Speech · Qwen3-TTS · Seed-TTS · VibeVoice · dots.tts (MF-1step)
Do wdrożenia 4 / wiersze źródłowe 7
Nie zweryfikowano pełnego publicznego pakietu inferencji dla tych eksperymentów. Inne wagi modelu o tej samej nazwie nie wystarczą.
MiniMax · ElevenLabs · Fish-Audio S2
Do wdrożenia 4 / wiersze źródłowe 7
Nie zweryfikowano pełnego publicznego pakietu inferencji dla tych eksperymentów. Inne wagi modelu o tej samej nazwie nie wystarczą.
CosyVoice 2 · CosyVoice 3 (1.5B) · Fish-Audio S2
Do wdrożenia 4 / wiersze źródłowe 15
Nie zweryfikowano pełnego publicznego pakietu inferencji dla tych eksperymentów. Inne wagi modelu o tej samej nazwie nie wystarczą.
Gemini-2.5-Flash-TTS* · Zephyr · Gemini-2.5-Pro-TTS* · Zephyr · gpt-4o-audio-preview* · Ballad · gpt-4o-mini-tts* · Alloy · baseline: gpt-4o-mini-tts · Alloy · Qwen3-TTS · basic_ref_en · HumeAI* · — · Qwen3-TTS · Ryan · MiniMax/speech-02-hd* · EN-narr · 11Labs Multilingual v2* · Brian · F5-TTS · basic_ref_en
Do wdrożenia 2 / wiersze źródłowe 25
Nie zweryfikowano pełnego publicznego pakietu inferencji dla tych eksperymentów. Inne wagi modelu o tej samej nazwie nie wystarczą.
GT · Seed-DiT · MaskGCT · E2 TTS · F5 TTS · F5R-TTS · ZipVoice · Seed-ICL · SparkTTS · FireRedTTS · Qwen2.5-Omni · Qwen2.5-Omni_RL · CosyVoice · CosyVoice2 · FireRedTTS-1S · CosyVoice3-1.5B · IndexTTS2 · DiTAR · MiniMax-Speech · VoxCPM · MOSS-TTS · Qwen3-TTS · CosyVoice3.5
Wyniki dotyczą wskazanego zbioru, miary i wersji modelu. Różnych testów nie można bezpośrednio porównywać.
Tabela obejmuje tylko modele z publicznymi wagami lub konfiguracjami, które można uruchomić lokalnie.
Wybierz zbiór danych, aby zobaczyć wszystkie metryki każdego modelu. Wiersze są uporządkowane według oficjalnej pozycji lub wybranej metryki. Pogrubienie oznacza najlepszą porównywalną wartość w kolumnie, także przy remisie. Różne protokoły oceny są klasyfikowane osobno; brakujące wyniki są oznaczone jako -.
Do wdrożenia 6 / wiersze źródłowe 17
Nie zweryfikowano pełnego publicznego pakietu inferencji dla tych eksperymentów. Inne wagi modelu o tej samej nazwie nie wystarczą.
CosyVoice 3 · DiTAR · F5-TTS · FireRedTTS-2 · IndexTTS 2 · MegaTTS 3 · MiniMax-Speech · Qwen3-TTS · Seed-TTS · VibeVoice · dots.tts (MF-1step)
Wartości pochodzą z podanego źródła publicznego. Etykiety wierszy wskazują zbiór testowy lub checkpoint; nieopublikowane wyniki są oznaczone jako -.
| Pozycja według metryki | Model | Params | test-en WER↓ / SIM↑ | test-zh WER↓ / SIM↑ | test-zh-hard WER↓ / SIM↑ | Avg WER↓ / SIM↑ |
|---|---|---|---|---|---|---|
| - | VoxCPM 2Publiczne wagi · Kod inferencji | 2B | 1.84 / 75.3 | 0.97 / 79.5 | 8.13 / 75.3 | 3.65 / 76.7 |
| - | dots.tts (Pretrain) | 2B | 1.34 / 76.8 | 0.96 / 80.5 | 6.46 / 79.2 | 2.92 / 78.8 |
| - | dots.tts (SOAR) | 2B | 1.30 / 77.1 | 0.94 / 81.0 | 6.60 / 79.5 | 2.95 / 79.2 |
| - | dots.tts (MF, NFE=4) | 2B | 1.29 / 76.2 | 0.94 / 80.0 | 6.60 / 78.5 | 2.94 / 78.2 |
| - | dots.tts (MF-2steps) | 2B | 1.64 / 76.4 | 1.00 / 80.4 | 6.43 / 78.5 | 3.02 / 78.4 |
| - | dots.tts (MF-2steps-STTS) | 2B | 1.41 / 75.3 | 1.04 / 79.2 | 7.83 / 76.9 | 3.43 / 77.1 |
Tabela obejmuje tylko modele z publicznymi wagami lub konfiguracjami, które można uruchomić lokalnie.
Wybierz zbiór danych, aby zobaczyć wszystkie metryki każdego modelu. Wiersze są uporządkowane według oficjalnej pozycji lub wybranej metryki. Pogrubienie oznacza najlepszą porównywalną wartość w kolumnie, także przy remisie. Różne protokoły oceny są klasyfikowane osobno; brakujące wyniki są oznaczone jako -.
Do wdrożenia 4 / wiersze źródłowe 7
Nie zweryfikowano pełnego publicznego pakietu inferencji dla tych eksperymentów. Inne wagi modelu o tej samej nazwie nie wystarczą.
MiniMax · ElevenLabs · Fish-Audio S2
Wartości pochodzą z podanego źródła publicznego. Etykiety wierszy wskazują zbiór testowy lub checkpoint; nieopublikowane wyniki są oznaczone jako -.
| Pozycja według metryki | Model | Arabic↓ | Cantonese*↓ | Chinese↓ | Czech↓ | Dutch↓ | English↓ | Finnish↓ | French↓ | German↓ | Greek↓ | Hindi↓ | Indonesian↓ | Italian↓ | Japanese↓ | Korean↓ | Polish↓ | Portuguese↓ | Romanian↓ | Russian↓ | Spanish↓ | Thai↓ | Turkish↓ | Ukrainian↓ | Vietnamese↓ | Average↓ |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| - | VoxCPM 2Publiczne wagi · Kod inferencji | 13.05 / 79.1 | 38.58 / 83.5 | 1.14 / 82.5 | 24.13 / 78.3 | 0.91 / 80.8 | 2.29 / 85.4 | 2.63 / 89.0 | 4.53 / 73.5 | 0.68 / 80.3 | 2.84 / 86.0 | 19.70 / 85.6 | 1.08 / 80.0 | 1.56 / 78.0 | 4.63 / 82.8 | 1.96 / 83.3 | 1.14 / 88.4 | 1.94 / 83.7 | 21.58 / 79.7 | 3.63 / 81.1 | 1.44 / 83.1 | 2.96 / 84.0 | 0.82 / 87.1 | 6.32 / 79.8 | 3.31 / 80.6 | 5.7 / 82.3 |
| - | dots.tts (Pre.) | 37.91 / 77.5 | 37.91 / 84.7 | 1.08 / 82.3 | 5.05 / 83.8 | 1.20 / 81.4 | 1.06 / 86.9 | 3.44 / 88.0 | 3.82 / 78.2 | 1.03 / 79.5 | 2.97 / 87.6 | 14.32 / 84.5 | 2.71 / 80.8 | 3.16 / 84.5 | 7.16 / 83.1 | 5.30 / 84.3 | 2.72 / 87.3 | 1.64 / 83.1 | 3.36 / 86.2 | 3.64 / 83.0 | 0.96 / 83.9 | 7.45 / 83.8 | 5.45 / 87.4 | 1.61 / 80.5 | 3.85 / 80.7 | 6.6 / 83.5 |
| - | dots.tts (SOAR) | 36.19 / 79.1 | 42.32 / 85.0 | 0.77 / 82.5 | 4.25 / 84.2 | 1.39 / 82.2 | 1.03 / 87.5 | 4.08 / 88.3 | 3.56 / 78.6 | 1.70 / 80.6 | 3.00 / 87.6 | 14.24 / 84.7 | 2.96 / 80.8 | 3.12 / 84.7 | 5.28 / 83.7 | 5.66 / 83.6 | 3.59 / 87.8 | 2.00 / 84.3 | 3.87 / 87.1 | 4.28 / 83.2 | 1.27 / 84.0 | 7.86 / 83.9 | 4.96 / 87.3 | 1.27 / 81.2 | 3.89 / 81.6 | 6.8 / 83.9 |
| - | dots.tts (MF$_4$) | 39.65 / 77.6 | 37.82 / 84.0 | 1.01 / 81.8 | 5.67 / 83.9 | 1.30 / 82.1 | 1.09 / 86.9 | 3.61 / 88.3 | 3.26 / 78.5 | 0.91 / 79.5 | 3.19 / 87.3 | 14.75 / 84.8 | 3.91 / 81.2 | 2.16 / 84.3 | 5.17 / 83.1 | 3.93 / 84.9 | 3.42 / 87.5 | 2.40 / 83.1 | 3.38 / 86.1 | 4.42 / 83.2 | 0.80 / 84.0 | 8.03 / 84.2 | 6.20 / 86.8 | 1.66 / 80.0 | 5.43 / 80.5 | 6.8 / 83.5 |
Tabela obejmuje tylko modele z publicznymi wagami lub konfiguracjami, które można uruchomić lokalnie.
Wybierz zbiór danych, aby zobaczyć wszystkie metryki każdego modelu. Wiersze są uporządkowane według oficjalnej pozycji lub wybranej metryki. Pogrubienie oznacza najlepszą porównywalną wartość w kolumnie, także przy remisie. Różne protokoły oceny są klasyfikowane osobno; brakujące wyniki są oznaczone jako -.
Do wdrożenia 4 / wiersze źródłowe 7
Nie zweryfikowano pełnego publicznego pakietu inferencji dla tych eksperymentów. Inne wagi modelu o tej samej nazwie nie wystarczą.
CosyVoice 2 · CosyVoice 3 (1.5B) · Fish-Audio S2
Wartości pochodzą z podanego źródła publicznego. Etykiety wierszy wskazują zbiór testowy lub checkpoint; nieopublikowane wyniki są oznaczone jako -.
| Pozycja według metryki | Model | zh W↓ | en W↓ | hard-zh W↓ | hard-en W↓ | en→zh W↓ / S↑ | zh→en W↓ / S↑ |
|---|---|---|---|---|---|---|---|
| 1 | dots.tts (Pretrain) | 3.51 | 5.24 | 9.69 | 5.99 | 10.88 / 74.6 | 4.97 / 71.9 |
| 2 | VoxCPM 2Publiczne wagi · Kod inferencji | 3.65 | 5.00 | 8.55 | 8.48 | - | - |
| 3 | dots.tts (SOAR) | 3.71 | 4.50 | 9.22 | 4.49 | 10.75 / 75.0 | 5.66 / 72.8 |
| 4 | dots.tts (MF, NFE=4) | 3.95 | 4.05 | 9.10 | 4.37 | 10.73 / 73.8 | 5.24 / 70.9 |
Tabela obejmuje tylko modele z publicznymi wagami lub konfiguracjami, które można uruchomić lokalnie.
Wybierz zbiór danych, aby zobaczyć wszystkie metryki każdego modelu. Wiersze są uporządkowane według oficjalnej pozycji lub wybranej metryki. Pogrubienie oznacza najlepszą porównywalną wartość w kolumnie, także przy remisie. Różne protokoły oceny są klasyfikowane osobno; brakujące wyniki są oznaczone jako -.
Do wdrożenia 4 / wiersze źródłowe 15
Nie zweryfikowano pełnego publicznego pakietu inferencji dla tych eksperymentów. Inne wagi modelu o tej samej nazwie nie wystarczą.
Gemini-2.5-Flash-TTS* · Zephyr · Gemini-2.5-Pro-TTS* · Zephyr · gpt-4o-audio-preview* · Ballad · gpt-4o-mini-tts* · Alloy · baseline: gpt-4o-mini-tts · Alloy · Qwen3-TTS · basic_ref_en · HumeAI* · — · Qwen3-TTS · Ryan · MiniMax/speech-02-hd* · EN-narr · 11Labs Multilingual v2* · Brian · F5-TTS · basic_ref_en
Wartości pochodzą z podanego źródła publicznego. Etykiety wierszy wskazują zbiór testowy lub checkpoint; nieopublikowane wyniki są oznaczone jako -.
| Pozycja według metryki | Model | Warunek testu | WER↓ | Overall↑ | Emotions↑ | Paraling.↑ | Foreign↑ | C. Pron.↑ | Quest.↑ | Syntax↑ |
|---|---|---|---|---|---|---|---|---|---|---|
| 1 | dots.tts (Pretrain) | basic_ref_en | 10.86 | 49.2% | 72.7% | 54.7% | 39.5% | 18.0% | 48.4% | 58.4% |
| 2 | dots.tts (MF4) | basic_ref_en | 11.75 | 47.9% | 59.8% | 55.2% | 36.3% | 16.7% | 50.5% | 64.8% |
| 3 | dots.tts (SOAR) | basic_ref_en | 10.45 | 47.6% | 63.9% | 52.7% | 39.4% | 16.4% | 47.0% | 65.7% |
| 4 | VoxCPM 2Publiczne wagi · Kod inferencji | basic_ref_en | 11.84 | 41.1% | 42.3% | 44.1% | 33.3% | 18.6% | 53.4% | 52.3% |
Tabela obejmuje tylko modele z publicznymi wagami lub konfiguracjami, które można uruchomić lokalnie.
Wybierz zbiór danych, aby zobaczyć wszystkie metryki każdego modelu. Wiersze są uporządkowane według oficjalnej pozycji lub wybranej metryki. Pogrubienie oznacza najlepszą porównywalną wartość w kolumnie, także przy remisie. Różne protokoły oceny są klasyfikowane osobno; brakujące wyniki są oznaczone jako -.
Do wdrożenia 2 / wiersze źródłowe 25
Nie zweryfikowano pełnego publicznego pakietu inferencji dla tych eksperymentów. Inne wagi modelu o tej samej nazwie nie wystarczą.
GT · Seed-DiT · MaskGCT · E2 TTS · F5 TTS · F5R-TTS · ZipVoice · Seed-ICL · SparkTTS · FireRedTTS · Qwen2.5-Omni · Qwen2.5-Omni_RL · CosyVoice · CosyVoice2 · FireRedTTS-1S · CosyVoice3-1.5B · IndexTTS2 · DiTAR · MiniMax-Speech · VoxCPM · MOSS-TTS · Qwen3-TTS · CosyVoice3.5
Wartości pochodzą z podanego źródła publicznego. Etykiety wierszy wskazują zbiór testowy lub checkpoint; nieopublikowane wyniki są oznaczone jako -.
| Pozycja według metryki | Model | ZH CER (%) ↓ | ZH SIM ↑ | EN WER (%) ↓ | EN SIM ↑ | ZH-Hard CER (%) ↓ | ZH-Hard SIM ↑ |
|---|---|---|---|---|---|---|---|
| 1 | LongCat-AudioDiT-3.5B | 1.09 | 0.818 | 1.50 | 0.786 | 6.04 | 0.797 |
| 2 | LongCat-AudioDiT-1B | 1.18 | 0.812 | 1.78 | 0.762 | 6.33 | 0.787 |
Znajdź metody i kroki odpowiednie dla swojego materiału.