Clonación de Voz Zonos TTS

Ejecuta Zonos TTS de Zyphra para clonación de voz con control de emoción y tono en GPUs de Clore.ai.

Zonos por Zyphra es un modelo de texto a voz de pesos abiertos de 0,4B parámetros entrenado en más de 200K horas de habla multilingüe. Realiza clonación de voz en zero-shot con solo 2–30 segundos de audio de referencia y ofrece control fino sobre la emoción, la velocidad de habla, la variación de tono y la calidad de audio. La salida es audio de alta fidelidad a 44 kHz. Hay dos variantes de modelo disponibles: Transformer (mejor calidad) y Hybrid/Mamba (inferencia más rápida).

GitHub: Zyphra/Zonos HuggingFace: Zyphra/Zonos-v0.1-transformer Licencia: Apache 2.0

Características clave

• Clonación de voz desde 2–30 segundos — no se requiere ajuste fino

• Salida de alta fidelidad a 44 kHz — calidad de audio de nivel de estudio

• Control de emoción — felicidad, tristeza, ira, miedo, sorpresa, asco mediante vector 8D

• Velocidad de habla y tono — control fino e independiente

• Entradas de prefijo de audio — permite susurros y otros comportamientos difíciles de clonar

• Multilingüe — Inglés, japonés, chino, francés, alemán

• Dos arquitecturas — Transformer (calidad) y Hybrid/Mamba (velocidad, ~2× en tiempo real en RTX 4090)

• Apache 2.0 — gratis para uso personal y comercial

Requisitos

Componente	Mínimo	Recomendado
GPU	RTX 3080 10 GB	RTX 4090 24 GB
VRAM	6 GB (Transformer)	10 GB+
RAM	16 GB	32 GB
Disco	10 GB	20 GB
Python	3.10+	3.11
CUDA	11.8+	12.4
Sistema	espeak-ng	—

Recomendación de Clore.ai: RTX 3090 ($0.30–1.00/día) para margen cómodo. RTX 4090 ($0.50–2.00/día) para el modelo Hybrid y la inferencia más rápida.

Instalación

# Instalar dependencia del sistema
apt-get install -y espeak-ng

# Clona e instala
git clone https://github.com/Zyphra/Zonos.git
cd Zonos
pip install -e .

# Para el modelo Hybrid (requiere GPU Ampere+, es decir, serie RTX 3000 o más reciente)
pip install -e ".[compile]"

# Verificar
python -c "from zonos.model import Zonos; print('Zonos listo')"

Inicio rápido

import torch
import torchaudio
from zonos.model import Zonos
from zonos.conditioning import make_cond_dict

# Cargar modelo (descarga los pesos en la primera ejecución)
model = Zonos.from_pretrained("Zyphra/Zonos-v0.1-transformer", device="cuda")

# Cargar audio de referencia para la clonación de voz
wav, sr = torchaudio.load("reference_speaker.wav")
speaker = model.make_speaker_embedding(wav, sr)

# Construir condicionamiento
cond_dict = make_cond_dict(
    text="¡Hola desde Clore.ai! Esta es una demostración de clonación de voz.",
    speaker=speaker,
    language="en-us",
)
conditioning = model.prepare_conditioning(cond_dict)

# Generar
torch.manual_seed(42)
codes = model.generate(conditioning)
wavs = model.autoencoder.decode(codes).cpu()

torchaudio.save("output.wav", wavs[0], model.autoencoder.sampling_rate)
print(f"Saved output.wav at {model.autoencoder.sampling_rate} Hz")

Ejemplos de uso

Control de emoción

Zonos acepta un vector de emoción de 8 dimensiones: [felicidad, tristeza, asco, miedo, sorpresa, ira, otro, neutral].

import torch
import torchaudio
from zonos.model import Zonos
from zonos.conditioning import make_cond_dict

model = Zonos.from_pretrained("Zyphra/Zonos-v0.1-transformer", device="cuda")

wav, sr = torchaudio.load("speaker_ref.wav")
speaker = model.make_speaker_embedding(wav, sr)

text = "¡No puedo creer lo que acaba de pasar hoy!"

emotions = {
    "happy":   [1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0],
    "sad":     [0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0],
    "angry":   [0.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0],
    "fearful": [0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0],
    "neutral": [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 1.0],
}

for name, emo_vec in emotions.items():
    cond_dict = make_cond_dict(
        text=text,
        speaker=speaker,
        language="en-us",
        emotion=torch.tensor(emo_vec).unsqueeze(0),
    )
    conditioning = model.prepare_conditioning(cond_dict)
    codes = model.generate(conditioning)
    audio = model.autoencoder.decode(codes).cpu()
    torchaudio.save(f"emotion_{name}.wav", audio[0], model.autoencoder.sampling_rate)
    print(f"Generado: {name}")

Control de velocidad de habla y tono

import torch
import torchaudio
from zonos.model import Zonos
from zonos.conditioning import make_cond_dict

model = Zonos.from_pretrained("Zyphra/Zonos-v0.1-transformer", device="cuda")

wav, sr = torchaudio.load("speaker_ref.wav")
speaker = model.make_speaker_embedding(wav, sr)

# Lento y tranquilo
cond_slow = make_cond_dict(
    text="Tómate tu tiempo. No hay prisa en absoluto.",
    speaker=speaker,
    language="en-us",
    speaking_rate=torch.tensor([8.0]),   # menor = más lento
    pitch_std=torch.tensor([20.0]),      # menor = más monótono
)
codes = model.generate(model.prepare_conditioning(cond_slow))
audio = model.autoencoder.decode(codes).cpu()
torchaudio.save("slow_calm.wav", audio[0], model.autoencoder.sampling_rate)

# Rápido y enérgico
cond_fast = make_cond_dict(
    text="¡Date prisa! ¡Tenemos que irnos ahora mismo!",
    speaker=speaker,
    language="en-us",
    speaking_rate=torch.tensor([22.0]),  # mayor = más rápido
    pitch_std=torch.tensor([80.0]),      # mayor = más expresivo
)
codes = model.generate(model.prepare_conditioning(cond_fast))
audio = model.autoencoder.decode(codes).cpu()
torchaudio.save("fast_energetic.wav", audio[0], model.autoencoder.sampling_rate)

Interfaz web Gradio

cd Zonos
python gradio_interface.py
# O con uv:
# uv run gradio_interface.py

Exponer puerto 7860/http en tu pedido de Clore.ai y abre la http_pub URL para acceder a la interfaz.

Consejos para usuarios de Clore.ai

• Elección de modelo — Transformer para la mejor calidad, Hybrid para ~2× inferencia más rápida (requiere GPU RTX 3000+)

• Audio de referencia — 10–30 segundos de habla limpia dan mejores resultados; clips más cortos (2–5s) funcionan pero con menor fidelidad

• Configuración con Docker — usar pytorch/pytorch:2.5.1-cuda12.4-cudnn9-runtime, agrega apt-get install -y espeak-ng al inicio

• Mapeo de puertos — exponer 7860/http para la interfaz Gradio, 8000/http para el servidor API

• Control de semilla — establece torch.manual_seed() antes de la generación para salida reproducible

• Parámetro de calidad de audio — experimenta con el audio_quality campo de condicionamiento para una salida más limpia

Solución de problemas

Problema	Solución
espeak-ng no encontrado	Ejecuta apt-get install -y espeak-ng (requerido para la fonemización)
CUDA fuera de memoria	Usa el modelo Transformer (más pequeño que Hybrid); reduce la longitud de texto por llamada
El modelo Hybrid falla	Requiere GPU Ampere+ (serie RTX 3000 o más reciente) y pip install -e ".[compile]"
La voz clonada suena extraña	Usa un clip de referencia más largo (15–30s) con habla clara y ruido de fondo mínimo
Generación lenta	Normal para Transformer (~0.5× en tiempo real); Hybrid alcanza ~2× en tiempo real en RTX 4090
ModuleNotFoundError: zonos	Asegúrate de haber instalado desde la fuente: cd Zonos && pip install -e .