ZONOS2

ZONOS2

把文字转成 30 多种语言的自然语音，能根据样本克隆声音，采用混合专家模型以实现低延迟。可以在带 NVIDIA GPU 的 Linux 机器上本地运行。

由 Zyphra 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：ZONOS2 是 Zyphra 的语音合成模型。它的训练数据超过 600 万小时，覆盖多种语言的录音。它还能根据一小段样本克隆声音。作者说它的质量与领先的 TTS 服务相当甚至更好，并且得益于混合专家设计，延迟很低。

适合谁：它适合想在自己机器上用多种语言生成语音、并且有带 NVIDIA GPU 的 Linux 机器的开发者和创作者。

行业 | 谁在用 | 怎么用 | 例子
媒体 | 视频和播客制作人 | 根据脚本生成配音 | 用文字脚本做一个有旁白的讲解视频
软件开发 | 应用开发者 | 通过本地服务器或 Python 加上语音输出 | 一个朗读文章文字的功能
本地化 | 内容团队 | 制作多种语言的语音 | 同一条公告的英文和日文版本
无障碍 | 工具构建者 | 用选定的声音朗读文字 | 在获得许可的前提下使用克隆声音的读屏工具

如果你没有 NVIDIA GPU，或者没有 Linux 机器，可以跳过它，因为模型卡说本地安装只支持 x86_64 的 Linux，并且需要 CUDA。

用在哪里：

• 带有 NVIDIA GPU 和匹配 CUDA 工具包的 Linux x86_64 机器
• 自带的 TTS 推理服务器和它的网页
• 直接调用模型的 Python 脚本，不需要服务器
• 厂商的托管版本，模型卡链接了它，可以不用安装就试用

用途 | 适合谁 | 得到什么
根据文字生成语音 | 创作者 | 朗读这段文字的音频文件
克隆声音 | 制作人 | 用你提供的样本里的声音说出的语音
用 Python 批量生成 | 开发者 | 由一组提示词生成的多个音频文件

如何设置：

• 带有 NVIDIA GPU 的 x86_64 Linux，以及与你的驱动匹配的 CUDA 工具包
• uv 包管理工具
• 来自仓库的 ZONOS2 项目代码

1. 用 Hugging Face 自己给出的步骤下载模型，或者让服务器自己去取。
2. 获取项目代码，并用 uv 同步它的环境。
3. 用模型路径启动 TTS 服务器。

pip install -U huggingface_hub
hf download Zyphra/ZONOS2

uv sync

如何使用：你启动服务器，然后在自己的机器上打开它的网页，输入文字并选一个声音。你也可以在 Python 里调用模型做离线运行。服务器能扫描一个存放说话人录音的文件夹，并把它们作为克隆声音提供出来。

uv run python -m minisgl --model-path Zyphra/ZONOS2 --tts-default-voices-dir ./default_voices/

from zonos2.message import TTSSamplingParams
from zonos2.tts import TTSLLM
tts = TTSLLM(model_path="Zyphra/ZONOS2")
results = tts.generate(
    ["Hello from the offline Python API.", "Batched prompts work too."],
    TTSSamplingParams(seed=42),
)
for i, result in enumerate(results):
    print(f"frames={len(result['audio_tokens'])}, eos_frame={result['eos_frame']}")
    tts.save_audio(result["audio"], f"output_{i}.wav")

示例：有人启动服务器，把一小段自己的录音放进声音文件夹。他们打开网页，输入一句话并生成。返回的是用一个像样本的声音说出的这句话。只能克隆你有权使用的声音。

新手与专家：如果你是新手，先试厂商的托管版本听听效果，再搭本地服务器。第一次测试只用一句简短的英文。

如果你熟悉这个领域：模型卡说，推理时把归一化的 UTF-8 字节和说话人嵌入送进一个混合专家主干，由它产生音频编解码词元。本地服务器基于 Mini-SGLang。在 Python 接口里，种子通过采样参数来设置。

启动 TTS 服务器
提供文字和声音样本
模型生成音频词元
编解码器把它们变成声音
保存或播放音频

注意事项：

• Languages: 模型卡把语言分成三档，最上面一档 3 种，第二档 10 种，第三档 21 种。
• Limits: 本地安装只支持 x86_64 的 Linux，并且需要带 CUDA 的 NVIDIA GPU。
• Voices: 声音克隆可能复制真人的声音，所以只能使用你有权使用的声音。
• License: Apache 2.0。
• Cost to run: 没有给出本地安装的价格，模型卡还链接了厂商的托管版本。
• Data it reaches: 它把模型文件复制到你的电脑，你给它的声音样本和文字留在运行服务器的机器上。

Hugging Face 上的数据（2026年11月13日）

• 任务：text to speech
• 框架：ZONOS2
• 最近 30 天下载：575
• 点赞：158
• 许可证：apache-2.0
• Quantized versions: 3
• Fine-tunes: 1
• 标签：zonos2, text-to-speech

链接

• 模型：https://huggingface.co/Zyphra/ZONOS2
• 文件：https://huggingface.co/Zyphra/ZONOS2/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download Zyphra/ZONOS2

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。