AIREITER

ZONOS3-Miniレビュー：ブラウザーで音声クローンを試す（2026年）

最終更新日: 2026-11-10 07:38:45

クラウド料金を一切払わず、Mac mini上で38.5秒の音声を2.81秒で生成する。ZyphraのZONOS3-Miniにまつわる、いま最も目を引く主張だ。2026年11月9日に公開されたこのテキスト読み上げモデルは、総パラメーター数こそ8億だが、MoE構成によって1ステップあたり実際に動くのは約1億に抑えられている。ただし、初期テスターが繰り返し指摘しているように、デモは高性能な環境で英語を使ったものだ。実際にどこまで近い結果が出るかは、入力テキスト、言語、GPUに左右される。

APIの利用方法と料金制限を示すZyphra ZONOS3-Mini公式モデルページ

ZONOS3-Miniの正体と、利用できる5つの方法

ZONOS3-Miniは、Zyphraが開発したゼロショット音声クローン対応のTTSモデルだ。短い参照音声とテキストを渡せば、その話者の声で読み上げる。27種類の標準ボイスから選び、年齢、アクセント、声質を調整することも可能だ。重みはApache 2.0、実行コードはMITライセンスで、ローカル利用や商用利用に対応する。もちろん、クローンする声は自分が所有しているか、利用許可を得たものに限られる。

内部構造は、64エキスパートとtop-2ルーティングを採用したスパースMoEだ。11層のうち、Gated DeltaNetとグローバルアテンションを3:1で組み合わせている。さらに、ZONOS2で使われていた86HzのDACに代わり、毎秒15フレームで動作する新しいZyphra Audio Codec 1（ZAC-1）を採用。Zyphraによれば、この変更によって音声トークン数は毎秒774から150に減り、同条件のデータではDACよりワードエラー率が約10分の1になるという。

主な仕様は、出力44.1kHz、最大10分の生成、参照音声はraw cloneで最大60秒、embedding cloneで最大120秒。学習にはNVIDIA H100を112基、2.5日間使用している。

実行方法は次の5つだ。

  • インストール不要のブラウザーWebGPUプレイグラウンド
  • CPU、CUDA、Metal、Vulkanに対応するネイティブC++/ggml
  • Apple MLXサーバー
  • NVIDIAサーバー上のSGLangまたはvLLM
  • Zyphraのホスト型API。zyphra/zonos3-miniを使い、OpenAI互換の/v1/audio/speechエンドポイントから利用する

ベンダー公称値では、Pixel 9のブラウザーで音声が出始めるまで570ms未満、M3 MacBook Airでは150ms未満。SGLangを使ったH100 1基では中央値57～80ms、ピーク時のスループットは毎秒最大457オーディオ秒としている。ただし、スマートフォンとノートPCの数値はベストケースと考えたほうがいい。Zyphra自身のローンチスレッドでは、同じデバイスについてより控えめな「800ms未満」「450ms未満」という数字も示されている。サービスで性能を約束する前に、実際のハードウェアで測定したい。

ローンチ資料には、まだ2つの気になる空白がある。技術記事は総パラメーター数を8億と記載する一方、モデルページでは886Mとなっている。また、アップロードした参照音声について、ウォーターマーク、悪用対策、データ保持の扱いはどちらにも説明がない。

まずはインストールせず、ブラウザーで試す

ブラウザー版のプレイグラウンドは、サーバーを介さず、インストールも不要。WebGPUを使って手元のGPUで推論する。見落としがちなのは初回アクセスだ。ある初期テスターによれば、生成を始める前にモデルとコーデック合わせて約920MBを取得し、その後はブラウザーにキャッシュされる。

まずは無料の動作確認環境として使うのがいい。音声クローンとスパン単位の制御を試し、対象にする中で最も性能の低いデバイスでもレイテンシーを測っておこう。WebGPUの挙動は、ブラウザー、ドライバー、GPUによって変わる。

「小さなモデルがブラウザーで動いたからといって、毎回『クラウドTTSは終わった』と騒がないこと！ ブラウザーやドライバー間のWebGPU互換性には落とし穴が多い。英語のデモがきれいに動いたからといって、本番のテキストでも通用するとは限らない！」 — @GKev1n、デモだけを根拠にホスト型TTSを置き換えることに注意を促す実ユーザー

古いスマートフォン、内蔵グラフィックス、Chromium系以外のブラウザーを使うユーザーがいるなら、テストなしにPixel 9の数値を当てはめてはいけない。

できること：文字起こし不要のクローンと、単語単位の演技指示

  • ゼロショット音声クローン：文字起こしなしで最大60秒の参照音声に対応。自然さを優先するraw-clipモードと、後から再利用・調整できる話者埋め込みを使い分けられる。
  • 声のデザイン：年齢、男性的・女性的な印象、アメリカ英語・イギリス英語・オーストラリア英語のアクセントを指定できる。soft、raspy、bright、deepといった声質も組み合わせられる。
  • 話し方の制御：速度、感情、声の張り、活気、覚醒度、ささやき声を、単語スパン単位で調整できる。たとえば「I didn't say」だけをささやき、文の残りはニュートラルにするといった指定が可能だ。
  • 生成後の編集：VoiceCraft風のモデルで、声や設定を維持したまま生成後の単語を変更できる。名前を1つ読み間違えただけで、音声全体を作り直す必要はない。

ただし、Zyphra自身も注意書きを添えている。感情や話し方の値はあくまで目標であり、結果を保証するものではない。速度を変えると音量やピッチも変わることがあり、活気の調整ではピッチや長さが変化する場合もある。

公開ハードウェアテスト：速度、VRAM、Windowsでの2つの罠

構成実測結果出典
RTX 5080、量子化ggml（バックボーン0.66GB＋デコーダー0.45GB）約7.1秒の日本語音声を0.40秒で生成。VRAM総使用量2.4GB、リアルタイム係数0.056、リアルタイムの約18倍VRAM16ベンチマーク
同じ環境：31秒の文章、CPUのみで7.2秒のクリップGPUでは2.5GB使用時に1.50秒。CPUは計算に1.45秒、起動から完了までは2.38秒VRAM16ベンチマーク
64GB M5 Pro Mac mini、MLXサーバー38.5秒の音声を2.81秒で生成。音声開始まで75～100ms。初回クローン時のピークは約16GB@pratikg

GPUの結果は、同じベンチマークにおける以前のOmniVoiceの測定値より約2倍速く、VoxCPM2の0.63倍という結果を大きく上回る。

オープンTTSモデル3種類で約7秒の音声を生成するのにかかる秒数を比較した棒グラフ

フルサイズの2.2GBデコーダーを使うと、使用量は4.2GBまで増えた。テスターが確認できる範囲では、音質面で明確な違いはなかった。Whisper large-v3による文字起こしは、意図した日本語と英語のテキストに一致した。ただし、これは聞き取りやすさを示す結果であって、自然さや参照音声との類似度を証明するものではない。

現時点で最も速いローカル実測は、64GBのM5 Pro Mac miniでMLXサーバーを使ったApple Silicon環境から報告されている。

「ベンチマーク結果：リアルタイムの最大13.7倍で動作する。64GB M5 Pro Mac mini上で、MLXサーバーを使って完全ローカル実行した場合の数値だ。標準ボイスでは音声開始まで約75～100ms。38.5秒の音声クリップを2.81秒で生成した。11～13秒の音声クリップから新しい声をクローンし、その声で約1.3秒後には発話できた。……WERは0～4%。メモリ使用量は数GBで、最初の音声クローン時だけピーク約16GBだった」 — @pratikg、データセットと測定メモを公開している実ユーザー

この結果には重要な但し書きがある。初回のクローン処理ではメモリ使用量が約16GBまで跳ね上がる一方、キャッシュ済みのクローンは標準ボイスと同じように高速に動く。多数の話者をバッチ処理するなら、定常時ではなくこのピークを基準にメモリを見積もるべきだ。

Windowsのソースビルドでは、VRAM16のテスターがパッチとともに2つの問題を報告している。Microsoftのコンパイラーは、GCCとClangでは通る、headというメンバーを持つ構造体を拒否した。そのため、付属の名前変更パッチを適用したうえで、zonos3-cli、zonos3-server、spk-encoder-cliだけをビルドする必要がある。もう1つは、日本語版WindowsのCLIがテキストをUTF-8ではなくCP932で渡してしまい、音声が文字化けする問題だ。GetCommandLineW経由でコマンドラインを読み直せば解消する。zonos3-serverへのJSONリクエストはもともとUTF-8のはずだが、検証はされていない。

実用面では、C:\zonos3のように、空白やASCII以外の文字を含まないパスを使うといい。Visual Studio 2022のC++ツール、Git、FFmpegをインストールし、CUDA環境をまっさらな状態から構築する場合は約5分を見込む。デフォルトの重み約1.2GBに加え、ローカルCUDAが約2GB必要になる（インストールメモ）。

ホスト型APIの料金計算：UTF-8の100万バイトあたり$10とは

ホスト型APIは、https://api.zyphracloud.com/api/v1/audio/speechにあるOpenAI互換の音声エンドポイントだ。モデルにzyphra/zonos3-miniを指定し、ZYPHRA_API_KEYをBearerトークンとして呼び出す。以下の例は、クラウドAPIと同じリクエスト形式でローカルのSGLang-Omniサーバー（SGLang cookbook）を起動するものだ。形式が共通しているため、まずlocalhostでプロトタイプを作り、準備ができたらベースURLをZyphra Cloudに差し替えられる。

sgl-omni serve --model-path Zyphra/ZONOS3-Mini --port 8000

curl -X POST http://localhost:8000/v1/audio/speech \
  -H "Content-Type: application/json" \
  -d '{"input": "Hello from ZONOS3-Mini!"}' \
  --output output.wav

料金は文字数でも音声分数でもなく、バイト数で決まる。UTF-8の100万バイトあたり$10.00で、同時実行は1リクエスト、1日あたり100生成、入力文字数は無制限。クローン上限は前述の60秒／120秒だ。英語を1文字あたりおおむね1バイト、1分の発話を800～900文字と仮定すると、$10で約1,100～1,250分、1分あたり1セント未満になる。一方、CJKテキストでは1文字あたり約3バイトかかるため、文字単位では約3倍のコストだ。中国語、日本語、韓国語で1分あたりの金額を知りたいなら、自分の入力で計算してほしい。

ローカル推論やブラウザー推論は、ハードウェアを用意した後の限界費用がほぼゼロ。ホスト型プランは試作や一時的な大量処理には向くが、同時実行1リクエスト、1日100生成という制限があるため、本番規模にはそのまま持ち込めない。大きなスループットが必要なチームは、$10という数字を単純に外挿せず、SGLangまたはvLLMの自前運用と比較すべきだ。

ElevenLabs、Fish、Qwenとの比較と「1位」バッジの見方

Zyphraのページでは、Fish Audio、Qwen、Cartesia、ElevenLabs、OmniVoiceとZONOS3-Miniを、3種類の台本で比較している。ドラマチックな予告編風の独白、長い「straight to jail」系のコミカルな文章、会話調のポッドキャスト風台本だ。レイテンシーとスループットを並べたパレートチャートもある。サンプル音声は自分で聴いて判断したい。ページには再生機能が用意されているが、明確な勝者の文章、競合モデルのバージョン、乱数シード、設定を揃えたという説明はない。

数値ランキングも同じように距離を置いて見る必要がある。ZyphraのZTTS2-Evalは、35のクリーンな言語と20の実環境言語を対象に、指標・データセット・言語の組み合わせ420項目を評価する。そのCapability Indexでは、オープンモデルの中でZONOS3-MiniがFish S2 ProやMOSS TTS v1.5を抑えて1位になっている。ただし、これはZyphraが設計した新しいテストで、自社モデルを評価した結果だ。手法自体は公開されているが、この記事の公開時点で独立した再現結果は見つからなかった。クローズドモデルとの比較も音声サンプルのみで、共通スコアはない。

Zyphraは言語別スコアや、独立した試聴評価での勝利を示していない。そのため、中国語の声調、日本語のピッチアクセント、多音字、長文での感情表現はまだ未検証だ。導入を決める前に、自分の用途でテストしてほしい。現時点での妥当な評価は、ZONOS3-Miniが効率と展開の柔軟性では先行している一方、音質面での優位性は証明されていない、というものだ。

いま乗り換えを検討すべきチーム

チーム判断理由
オフライン、オンデバイス、またはプライバシー重視（ゲーム、リーダー、キオスク）今すぐ試すApache 2.0、デフォルトダウンロード1.2GB、VRAM 2.4GB、CPUでも動作、分単位の従量課金なし
多数の声を必要とするオーディオブック／NPCパイプラインパイロット導入単語単位の制御と生成後編集で再生成のコストを抑えられる。ただし話者ごとのクローン類似度は確認が必要
英語以外、とくに中国語の本番環境自社評価を待つベンダーによる言語別スコアがない。多音字と声調を試すまでは、WERや韻律に関する主張は英語寄りの結果にとどまる
高い同時実行数が必要なホスト型TTS自前運用または現状維持クラウド層は同時実行1リクエスト、1日100生成に制限される。本番で現実的なのはSGLang／vLLM
ウォーターマークや監査証跡が必要なチーム保留リリース資料には参照音声のウォーターマークや保持ポリシーの説明がない

試す順番は、ブラウザーのプレイグラウンド、最も性能の低い対象デバイスでのローカルビルド、最後にホスト型APIがおすすめだ。ハードウェアがVRAM 2.4GBとWebGPUの条件を満たし、対象言語がブラインド試聴を通過した場合だけ乗り換えればいい。そうでなければ、いま使っているクローズドAPIを維持し、独立した多言語ベンチマークが出てから再検討しよう。

FAQ

ZONOS3-MiniにはどれくらいのVRAMが必要ですか？

テストされたRTX 5080環境では、合計約2.4～2.5GB。フルデコーダー使用時は4.2GB、Macで初回クローンを行う際のピークは約16GBだった。

ブラウザーやCPUでも動作しますか？

動作する。WebGPUでは初回アクセス時に約920MBをダウンロードする。公開されている1件のテストでは、CPUのみの合成も起動時間込みでリアルタイムの約3分の1で完了した。

音声クローンの品質はどの程度ですか？

文字起こしなしで最大60秒の参照音声からゼロショットでクローンできる。独立テストではWER 0～4%が報告されたが、話者ごとの類似度は自分で試聴して確認する必要がある。

商用利用できますか？

重みはApache 2.0、コードはMITライセンス。ただし、クローンする声については権利または本人の同意が必要だ。

APIのエンドポイントと料金は？

OpenAI互換のPOST https://api.zyphracloud.com/api/v1/audio/speechに、モデルzyphra/zonos3-miniを指定する。料金はUTF-8の100万バイトあたり$10（同時実行1リクエスト、1日100生成）。

関連記事：Best Text-to-Speech API、Best Voice Cloning API 2026、Kokoro 82M TTS Local Guide