RLR-0090 ・ 公開 2026/11/13 ・ 更新 2026/11/13

ZONOS3-Miniとは?ブラウザでも動く音声クローン対応オープンTTSを解説

ZyphraのZONOS3-Miniは100M active / 800M totalのオープンTTS。43言語、ゼロショット音声クローン、声質・感情・話速の制御、WebGPUやCPU・CUDA・Metal・Vulkan向けruntimeに対応します。日本語利用時の確認点とローカル導入条件を整理します。

✓ 公開前チェック済み最終確認 2026/11/13
ZONOS3-Miniの音声波形がブラウザ、スマートフォン、ノートPCを横断してリアルタイム音声生成される様子を示すRossy Laboratoryの解説図

ローカルで音声生成AIを使いたい。でも、大きなGPUを前提にしたモデルは少し重い。

そんな人に面白い選択肢が登場しました。

Zyphraが公開したZONOS3-Miniは、100M active / 800M total parametersの小型なオープンTTSです。

特徴はサイズだけではありません。

  • 43言語の音声合成
  • ゼロショット音声クローン
  • 感情・声質・話速などの制御
  • ブラウザ上のWebGPU実行
  • CPU / CUDA / Metal / Vulkan向けruntime
  • 44.1kHz音声
  • Apache 2.0のモデル重み

まで公開されています。

ZyphraはPixel 9のブラウザでtime-to-first-audioが570ms未満、M3 MacBook Airでは150ms未満だったと報告しています。

この記事では、ZONOS3-Miniで何ができるのか、普通のPCやブラウザでも使えるとはどういう意味なのか、日本語で試すときに何を確認すべきかを整理します。

結論:巨大GPUだけを前提にしないローカル音声AI

ZONOS3-Miniの一番面白いところは、音声クローン対応TTSを幅広い端末へ持っていこうとしていることです。

公式runtimeには、

環境公式runtime
ブラウザWebGPU
CPUC++ / ggml
NVIDIA GPUCUDA
Apple SiliconMLX / Metal
その他GPUVulkan対応ggml
サーバーSGLang系runtime

が用意されています。

つまり「特定のハイエンドGPUを持っている人だけがローカルで試すモデル」ではありません。

もちろん端末によって生成速度や使える機能は変わります。

それでも、ブラウザ・スマートフォン・ノートPC・ローカルサーバーまで同じTTSを展開する設計は、これまでの大型音声モデルとはかなり違います。

100M active / 800M totalとは?

ZONOS3-MiniはMixture-of-Experts、いわゆるMoE構造を採用しています。

モデル全体では約800M parametersありますが、1トークンの処理で実際に使われるのは約100M parametersです。

ここで注意したいのは、

「100M activeだからモデルファイルも100M相当」という意味ではない

ことです。

公式GitHubでは、CUDA server向けのPyTorch weights一式はデフォルトdecoder込みで約9GBと案内されています。

一方、MLX、ggml、ブラウザ版ではGGUFやWeb向けの別形式を使います。

ローカルAIでは「パラメータ数」と「保存容量」と「実行時に必要なメモリ」を同じ数字として扱わないことが大切です。

ブラウザだけでも動かせる

ZONOS3-MiniにはWebGPU版runtimeがあります。

公式GitHubでは、WebGPU対応ブラウザならサーバーなしでブラウザ内実行できる構成が公開されています。

Zyphraの公式測定では、

  • Pixel 9:time-to-first-audio 570ms未満
  • M3 MacBook Air:150ms未満

とされています。

これは「文章全体を0.57秒で読み終える」という意味ではありません。

生成を開始してから最初の音声が出るまでの時間です。

ストリーミングTTSでは、全文生成が終わるまで待たず、生成できた音声から再生を始められるため、この値が小さいほど会話型AIなどで待ち時間を感じにくくなります。

なお、この数値はZyphraによる特定端末での公式測定です。すべてのスマートフォンやPCで同じ速度になるわけではありません。

43言語に対応、日本語も対象

公式技術記事では、ZONOS3-Miniは43言語の音声合成に対応すると説明されています。

さらにHugging Faceのモデルカードでは、推論時のtext normalization対象として、

  • English
  • Mandarin
  • Japanese
  • Korean
  • German
  • Spanish
  • French
  • Italian
  • Portuguese

などが明記されています。

つまり日本語テキストを処理する仕組み自体は公式runtimeへ組み込まれています。

ただし、ここは重要です。

Rossy Laboratoryでは今回、日本語の自然さ・アクセント・固有名詞・長文安定性を実測していません。

「日本語対応」と「日本語が自分の用途で十分自然」は別です。

日本語ナレーションや動画制作へ採用するなら、短文だけで判断せず、数字、英字混在、固有名詞、長文なども実際に聞いて確認するのがおすすめです。

音声サンプルから声をクローンできる

ZONOS3-Miniはzero-shot voice cloningに対応しています。

公式runtimeでは大きく2種類の方法があります。

Speaker embedding

参照音声から話者特徴を192次元のembeddingへ変換して使う方法です。

保存したembeddingを再利用できるため、毎回参照音声を読み込まなくても同じ声を呼び出せます。

Raw reference

参照音声そのものをcodec tokenへ変換し、生成時のcontextへ入れる方法です。

公式技術記事では最大60秒のreference clipを扱えるとされています。

Zyphraは、raw reference方式では参照音声の話し方を機械的にコピーするのではなく、より自然なprosodyを狙う設計だと説明しています。

動画のナレーター、ゲームキャラクター、音声アシスタントなど、同じ声を継続して使いたい制作と相性があります。

なお、本人の同意がない声のクローンや、他人になりすます用途には使わないでください。

感情・話速・声質も調整できる

ZONOS3-Miniは「声を似せる」だけではありません。

公式には、

  • identity
  • accent
  • quality
  • mood
  • delivery
  • loudness
  • bandwidth
  • speaking rate

などの制御が案内されています。

さらにword-level delivery controlも用意されています。

ゲームならセリフの一部だけ囁く、ナレーションなら重要語を強調する、といった使い方につながります。

ただし、利用できる制御はruntimeや追加ファイルによって異なります。

「モデル本体を入れれば全機能が自動で使える」とは限らない点に注意してください。

音声は44.1kHz

ZONOS3-Miniは独自のZAC-1 audio codecを使い、44.1kHzの音声を生成します。

特徴的なのはcodecのframe rateが15Hzと低いことです。

Zyphraは以前のZONOS2が86Hz codecと8B backboneを使っていたのに対し、ZONOS3-Miniではcodecとモデル構造の両方を軽量化しています。

生成するaudio tokenの頻度を減らしつつ品質を維持し、リアルタイム実行しやすくする設計です。

Windowsでは何を選ぶ?

Windows PCで試すなら、まず候補になるのがC++ / ggml runtimeです。

公式GitHubではggml server / CLIが、

  • CPU
  • CUDA
  • Metal
  • Vulkan

に対応すると案内されています。

Windows向けlauncherの記載もあります。

一方、公式のCUDA server手順はLinux x86_64 + NVIDIA GPUを中心に説明されています。

Windowsだから必ずPython + CUDA版を選ぶのではなく、まずggml版を確認する方が分かりやすいでしょう。

GGUF一式をすべて取得すると、公式READMEではfull-size decoder込みで約9.3GBとされています。

必要な機能だけなら構成は変えられるため、「9.3GBが絶対必要」とは限りません。

インストールしたくないならWebGPU版から

ローカルAIに慣れていない人は、最初からPython環境を作る必要はありません。

Zyphraはブラウザで試せるWebGPU Voice Studioを公開しています。

まずそこで、

  1. 自分のブラウザ・端末で動くか
  2. 日本語の発音が用途に合うか
  3. 音声クローンの雰囲気
  4. 生成速度
  5. steeringの効果

を確認してから、ローカルruntimeを導入する方が安全です。

「モデルを試すために環境構築で1時間使う」を避けられるのは大きな利点です。

ライセンスは?

ZONOS3-Miniのモデル重みはApache 2.0で公開されています。

公式runtime / reference codeはMIT Licenseです。

ただし、repository内には第三者コンポーネントも含まれます。

商用利用や再配布を行う場合は、モデル本体だけでなく、実際に組み込むruntime・依存ライブラリ・追加モデルのライセンスも確認してください。

また、音声クローンではライセンスとは別に、参照する声そのものの権利や本人同意も必要です。

Pocket TTS 4.0とは何が違う?

Rossy LaboratoryではRLR-0067で、CPUで動く小型音声モデルPocket TTS 4.0を紹介しました。

Pocket TTS 4.0の記事では、18M / 7M / 2Mという非常に小さなモデルを使い、GPUなしで英語音声を生成することが中心でした。

ZONOS3-Miniは方向性が違います。

  • 43言語
  • 日本語text normalization
  • zero-shot voice cloning
  • voice steering
  • WebGPU
  • CPU / GPU / Apple Silicon向け複数runtime

など、音声制作やリアルタイム音声エージェントまで広げる機能を持っています。

単純な最小サイズ競争ではなく、「小型化しながら制作機能をどこまで残せるか」というモデルです。

どんな人に向いている?

特に相性が良さそうなのは次の用途です。

  • ローカルでTTSを試したい
  • AI動画のナレーションを作りたい
  • ゲームキャラクターへ声を付けたい
  • 同じ話者の声を繰り返し使いたい
  • 音声アシスタントを作りたい
  • ブラウザ内で音声AIを動かしたい
  • 大型GPUだけに依存しない構成を試したい

一方、日本語ナレーション品質を最優先する場合は、ZONOS3-Miniだけで決めず、普段使っている日本語TTSと実際に聞き比べるのが良いでしょう。

まとめ

ZONOS3-Miniの面白さは「100M active」という数字だけではありません。

音声クローンと細かな声の制御を持つTTSを、ブラウザ・スマートフォン・ノートPC・CPU・GPUへ広げようとしていることが本質です。

特にWebGPU版があるため、ローカルAI初心者でも「まずブラウザで試す」という入口があります。

一方で、日本語品質は用途ごとの実聴確認が必要です。

Rossy Laboratoryでも今回は公式仕様を確認した段階で、日本語音質を実測したわけではありません。

気になる人は、まずWebGPU版で短い日本語を読ませてみて、自分の用途に合うか確認するところから始めるのが良さそうです。

参考

最終確認: 2026年11月13日。ZONOS3-Miniは公開直後のため、runtime、GGUF、対応機能、導入手順は更新される可能性があります。導入時は最新の公式READMEを確認してください。

SOURCES

確認した情報源

NEXT STEP

次は、目的から選ぶ

新着順だけでなく、知りたいテーマから関連する実用記事をまとめて探せます。