ZONOS2 技术报告

我们推出最新的 TTS 模型 ZONOS2 8B，它实现了最先进的自然度、韵律和语音克隆保真度。我们在规模、数据和训练方法方面对 Zonos-v0.1 进行了改进。我们使用新型专家混合 (MoE) 主干将模型从 1.6B 总参数扩展到 8B（900M 活动），从而改善推理延迟和吞吐量。我们使用新的数据处理管道将训练语料库从 20 万小时扩展到超过 600 万小时，并简化了 后训练 和调节配方，以提高自然度和语音克隆保真度。我们根据质量、说话者相似度、WER 和 ZTTS1-Eval（我们新颖的 TTS 基准）评估 ZONOS2 8B，它的性能可与最先进的系统竞争，同时保持良好的流媒体延迟。我们根据 Apache 2.0 许可证在 GitHub 和 Hugging Face 上发布了模型权重和示例推理代码。