Zyphra/ZONOS2 · Hugging Face 来源：https://huggingface.co/Zyphra/ZONOS2 ZONOS2 标题卡片 Discord（https://discord.gg/gTW9JwST8q） — ZONOS2 是我们最新的文本转语音模型，基于超过 600 万小时的多语言语音数据训练，通过 MoE 架构在低延迟下提供与顶级 TTS 提供商相当甚至超越的表现力和质量。ZONOS2 擅长高保真且自然的语音克隆。推理时，我们使用 nemo TN 标准化的 UTF-8 字节和 ECAPA-TDNN 嵌入，通过 MoE 骨干网络生成 DAC 令牌。推理概览如下图。 ZONOS2 标题卡片 语言支持如下。

对于本地推理，我们提供了一个构建在 Mini-SGLang（https://github.com/sgl-project/mini-sglang）之上的高性能 TTS 推理服务器。更多详情和语音样本，请查看我们的博客（https://www.zyphra.com/our-work/zonos2）。 我们也在 cloud.zyphra.com/audio-playground（https://cloud.zyphra.com/audio-playground）提供了一个托管版本。 — ## https://huggingface.co/Zyphra/ZONOS2#quick-start 快速开始 > 平台支持：仅限 Linux（x86_64）。需要 NVIDIA GPU，且 CUDA 工具包版本与驱动版本匹配（可通过 nvidia-smi 查看）。 ### https://huggingface.co/Zyphra/ZONOS2#1-installation 1. 安装 需要 uv（https://docs.astral.sh/uv/getting-started/installation/）。 git clone https://github.com/Zyphra/ZONOS2.git cd ZONOS2 uv sync ### https://huggingface.co/Zyphra/ZONOS2#2-launch-the-tts-server 2. 启动 TTS 服务器 uv run python -m minisgl --model-path Zyphra/ZONOS2 --tts-default-voices-dir ./default_voices/ uv run 始终使用项目环境，因此无需激活虚拟环境。服务器默认在 http://localhost:1919 上启动。zonos2 模型会自动检测 TTS 模式。--tts-default-voices-dir 参数用于预填充 Web 界面中的语音克隆说话人；该文件夹会递归扫描说话人音频（.wav、.mp3、.flac、.m4a、.ogg、.opus、.aac、.webm）和已保存的嵌入（.npy、.npz）。启动时会自动选择最新的语音。 ### https://huggingface.co/Zyphra/ZONOS2#3-generate-speech 3. 生成语音 curl： curl -X POST http://localhost:1919/tts/generate \ -H "Content-Type: application/json" \ -d '{"text": "Hello world", "stream": true}' \ --output output.pcm # 转换为 WAV ffmpeg -f f32le -ar 44100 -ac 1 -i output.pcm output.wav Web 界面： 在浏览器中打开 http://localhost:1919/。 ## https://huggingface.co/Zyphra/ZONOS2#python-api-offline-inference Python API（离线推理） 你也可以通过 TTSLLM 直接在 Python 脚本中运行引擎，而无需启动服务器： from minisgl.message import TTSSamplingParams from minisgl.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") ## https://huggingface.co/Zyphra/ZONOS2#citation 引用 如果你在学术环境中使用了本模型，请引用如下： @misc{zyphra2025zonos, title = {Zonos V2 Technical Report}, author = {Gabriel Clark, Sofian Mejjoute, Mohamed Osman, George Close, Beren Millidge}, year = {2026}, }