ZONOS3-Mini آمد؛ مدل متن‌باز کلون صدا با ۴۳ زبان که فارسی ندارد

Zyphra مدل ZONOS3-Mini را با پروانه‌ی Apache 2.0 منتشر کرد: کلون صدا از چند ثانیه، ۴۳ زبان و اجرا روی گوشی. فارسی در فهرست نیست.

ZONOS3-Mini آمد؛ مدل متن‌باز کلون صدا با ۴۳ زبان که فارسی ندارد

شرکت Zyphra مدل ZONOS3-Mini را منتشر کرده است؛ یک مدل متن به گفتار متن‌باز که صدا را از روی چند ثانیه نمونه تقلید می‌کند و با پروانه‌ی Apache 2.0 عرضه شده. طبق صفحه‌ی رسمی مدل در Hugging Face گزارش فنی و وبلاگ آن حدود ۲۱ آبان ۱۴۰۵ (۱۲ نوامبر ۲۰۲۶) آمده‌اند. مدل ۴۳ زبان را پشتیبانی می‌کند، ولی فارسی در فهرست آن نیست.

ZONOS3-Mini چیست؟

مدل ۸۰۰ میلیون پارامتر دارد، اما در هر لحظه فقط حدود ۱۰۰ میلیون پارامتر فعال است. معماری آن ترکیب متخصصان نهفته با ۶۴ متخصص است که برای هر قطعه دو تایشان را انتخاب می‌کند. نتیجه این است که مدل روی گوشی و لپ‌تاپ هم زنده اجرا می‌شود، حتی داخل مرورگر با WebGPU. طبق گزارش af.net همین اندازه‌ی کوچک نقطه‌ی قوت آن است.

نمونه‌ی خودت را می‌توانی با کلون کردن صدا در هوش نو بسازی؛ هزینه را پیش از ساخت می‌بینی.

چه کارهایی می‌کند؟

  • کلون صدا: از یک نمونه‌ی ۵ تا ۱۰ ثانیه‌ای صدا را می‌سازد. معماری تا ۶۰ ثانیه نمونه هم می‌پذیرد و متن نمونه لازم نیست.
  • طراحی صدا: سن، لهجه و بافت صدا قابل تنظیم است و ۲۷ صدای آماده هم دارد.
  • کنترل احساس و سرعت: حتی تا سطح تک‌تک واژه‌ها.
  • خروجی بلند: تا ۱۰ دقیقه صدا با کیفیت ۴۴٫۱ کیلوهرتز در هر بار تولید.
  • اجرا: برای CUDA، Apple Silicon (MLX)، C++ و WebGPU آماده است و با SGLang-Omni یک نقطه‌ی دسترسی سازگار با OpenAI می‌دهد.

چرا اجرای روی دستگاه مهم است؟

مدل‌های صدای بزرگ معمولا فقط از راه سرویس ابری کار می‌کنند؛ یعنی متن و نمونه‌ی صدای شما به سرور شرکت می‌رود و برای هر دقیقه پول می‌دهید. ZONOS3-Mini چون کوچک است و وزن‌هایش آزاد است، می‌تواند روی گوشی یا لپ‌تاپ خودتان اجرا شود و نمونه‌ی صدا از دستگاه بیرون نرود. برنامه‌نویس‌ها هم با نقطه‌ی دسترسی سازگار با OpenAI می‌توانند آن را به‌جای یک سرویس پولی در برنامه‌شان بگذارند، بی‌آنکه کدشان را از پایه عوض کنند. Zyphra مدل قدیمی‌تر Zonos را هم پیش‌تر به‌صورت متن‌باز در GitHub گذاشته بود و این نسخه ادامه‌ی همان مسیر است.

اما «کوچک و آزاد» یعنی «بی‌نقص» نیست. نتیجه‌ی گزارش‌های مستقل درباره‌ی کیفیت هنوز کم است و بیشتر عددها از خود Zyphra آمده‌اند. اگر برای کار حرفه‌ای مثل کتاب صوتی، تبلیغ یا دوبله می‌خواهید، پیش از تصمیم چند نمونه‌ی خودتان را بسازید و با شنیدن مقایسه کنید.

چه کسانی سراغش بروند؟

سازنده‌های برنامه و بازی که می‌خواهند گفتار زنده و سبک داخل محصولشان بگذارند، پژوهشگران صدا، و کسانی که روی زبان‌هایی مثل انگلیسی، ترکی یا هندی کار می‌کنند و یک مدل آزاد با پروانه‌ی تجاری می‌خواهند. کاربر عادی که فقط می‌خواهد متن فارسی را به صدا تبدیل کند، فعلا چیزی از این مدل نمی‌گیرد و بهتر است سراغ سرویسی برود که فارسی را رسما پشتیبانی می‌کند.

فارسی چه می‌شود؟

فهرست ۴۳ زبان شامل ترکی، عربی، عبری و گرجی است، ولی فارسی را ندارد. پس انتظار گفتار فارسی خوب از این مدل نداشته باشید. فقط نمی‌دانیم اگر متن فارسی بدهید دقیقا چه می‌شود، چون در منابع آزمونی برایش گزارش نشده است. گزارش‌های دیگر هم می‌گویند زبان‌های کم‌منبع و گویش‌ها ممکن است خوب پشتیبانی نشوند. عددهای کیفیت را هم Zyphra داده و مستقل وارسی نشده است.

این یعنی چه برای کاربر فارسی‌زبان؟

اگر می‌خواهید صدای فارسی بسازید، مدل‌هایی که فارسی را رسما پشتیبانی می‌کنند انتخاب بهتری‌اند. در ابزارهای هوش‌نو گویندگی فارسی هم هست. برای مقایسه با یک مدل صوتی دیگر، مقاله‌ی Grok Voice 3.0 را ببینید. اگر کار شما تولید محتوا است، راهنمای تولید محتوا با هوش مصنوعی هم کمک می‌کند. و یک نکته‌ی مهم درباره‌ی هر مدل کلون صدا: فقط از صدای خودتان یا کسی که اجازه داده استفاده کنید.

منبع‌ها

سؤالات متداول

ZONOS3-Mini رایگان است؟

وزن‌های مدل با پروانه‌ی Apache 2.0 منتشر شده‌اند و استفاده‌ی تجاری مجاز است.

فارسی را پشتیبانی می‌کند؟

نه، فارسی در فهرست ۴۳ زبان رسمی مدل نیست.

برای اجرا چه سخت‌افزاری لازم است؟

مدل سبک است و روی گوشی، لپ‌تاپ و حتی مرورگر اجرا می‌شود؛ برای سرویس‌دهی سریع SGLang-Omni روی کارت Nvidia پیشنهاد شده است.

نویسنده نعیم حشم‌بان بنیان‌گذار و سردبیرِ هوش نو

نعیم حشم‌بان بنیان‌گذارِ هوش نو است و هر روز مدل‌های تازه‌ی هوش مصنوعی را امتحان می‌کند تا آموزش و بررسیِ ساده و دقیق به زبانِ فارسی بنویسد.