Клонирование голоса Zonos TTS

Запускайте Zonos TTS от Zyphra для клонирования голоса с управлением эмоцией и тоном на GPU Clore.ai.

Zonos от Zyphra — это 0.4B-параметрическая модель текст-в-речь с открытыми весами, обученная на более чем 200 тыс. часов многоязычной речи. Она выполняет нулевое клонирование голоса по всего 2–30 секундам эталонного аудио и предоставляет тонкую настройку эмоций, скорости речи, вариации тона и качества аудио. Выходной звук — высококачественное аудио 44 кГц. Доступны два варианта модели: Transformer (лучшее качество) и Hybrid/Mamba (быстрее при инференсе).

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

Ключевые особенности

• Клонирование голоса по 2–30 секундам — тонкой дообучения не требуется

• Выход 44 кГц высокого качества — студийное качество звука

• Управление эмоциями — радость, печаль, гнев, страх, удивление, отвращение через 8D-вектор

• Скорость речи и тон — независимый тонконастраиваемый контроль

• Входные аудио-префиксы — позволяет имитировать шёпот и другие трудноклонируемые поведения

• Мультиязычность — английский, японский, китайский, французский, немецкий

• Две архитектуры — Transformer (качество) и Hybrid/Mamba (скорость, ~2× реального времени на RTX 4090)

• Apache 2.0 — бесплатно для личного и коммерческого использования

Требования

Компонент	Минимум	Рекомендуется
GPU	RTX 3080 10 ГБ	RTX 4090 24 ГБ
VRAM	6 ГБ (Transformer)	10 ГБ+
ОЗУ	16 ГБ	32 ГБ
Диск	10 ГБ	20 ГБ
Python	3.10+	3.11
CUDA	11.8+	12.4
Система	espeak-ng	—

Рекомендация Clore.ai: RTX 3090 ($0.30–1.00/день) для комфортного запаса. RTX 4090 ($0.50–2.00/день) для модели Hybrid и максимально быстрого инференса.

Установка

# Установите системную зависимость
apt-get install -y espeak-ng

# Клонировать и установить
git clone https://github.com/Zyphra/Zonos.git
cd Zonos
pip install -e .

# Для Hybrid-модели (требуется GPU Ampere+ — т.е. серия RTX 3000 или новее)
pip install -e ".[compile]"

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

Быстрый старт

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

# Загрузить модель (веса скачиваются при первом запуске)
model = Zonos.from_pretrained("Zyphra/Zonos-v0.1-transformer", device="cuda")

# Загрузите эталонное аудио для клонирования голоса
wav, sr = torchaudio.load("reference_speaker.wav")
speaker = model.make_speaker_embedding(wav, sr)

# Построить кондиционирование
cond_dict = make_cond_dict(
    text="Hello from Clore.ai! This is a voice cloning demonstration.",
    speaker=speaker,
    language="en-us",
)
conditioning = model.prepare_conditioning(cond_dict)

# Генерация
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")

Примеры использования

Управление эмоциями

Zonos принимает 8-мерный вектор эмоций: [радость, печаль, отвращение, страх, удивление, гнев, другое, нейтральный].

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 = "I can't believe what just happened today!"

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"Создано: {name}")

Управление скоростью речи и тоном

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)

# Медленно и спокойно
cond_slow = make_cond_dict(
    text="Take your time. There is no rush at all.",
    speaker=speaker,
    language="en-us",
    speaking_rate=torch.tensor([8.0]),   # меньше = медленнее
    pitch_std=torch.tensor([20.0]),      # меньше = более монотонно
)
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)

# Быстро и энергично
cond_fast = make_cond_dict(
    text="Hurry up! We need to go right now!",
    speaker=speaker,
    language="en-us",
    speaking_rate=torch.tensor([22.0]),  # больше = быстрее
    pitch_std=torch.tensor([80.0]),      # больше = более выразительно
)
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)

Веб-интерфейс Gradio

cd Zonos
python gradio_interface.py
# Или с uv:
# uv run gradio_interface.py

Открыть порт 7860/http в вашем заказе Clore.ai и открыть http_pub URL для доступа к интерфейсу.

Советы для пользователей Clore.ai

• Выбор модели — Transformer для лучшего качества, Hybrid для примерно в 2× более быстрого инференса (требуется GPU серии RTX 3000+)

• Эталонное аудио — 10–30 секунд чистой речи дают лучшие результаты; более короткие клипы (2–5 с) работают, но с меньшей точностью

• Настройка Docker — используйте pytorch/pytorch:2.5.1-cuda12.4-cudnn9-runtime, добавьте apt-get install -y espeak-ng в автозагрузку

• Проброс портов — откройте 7860/http для интерфейса Gradio, 8000/http для сервера API

• Контроль сидирования (seed) — установите torch.manual_seed() перед генерацией для воспроизводимого результата

• Параметр качества аудио — экспериментируйте с полем audio_quality в conditioning для более чистого вывода

Устранение неполадок

Проблема	Решение
espeak-ng не найден	Запустите apt-get install -y espeak-ng (требуется для фонемизации)
CUDA — недостаточно памяти	Используйте модель Transformer (меньше, чем Hybrid); уменьшите длину текста на вызов
Hybrid-модель не запускается	Требуется GPU Ampere+ (серия RTX 3000 или новее) и pip install -e ".[compile]"
Клонированный голос звучит неправильно	Используйте более длинный эталонный фрагмент (15–30 с) с чёткой речью и минимальным фоновым шумом
Медленная генерация	Нормально для Transformer (~0.5× реального времени); Hybrid достигает ~2× реального времени на RTX 4090
ModuleNotFoundError: zonos	Убедитесь, что вы установили из исходников: cd Zonos && pip install -e .