Was ist Zonos v2 (ZONOS2)?
Zonos v2 ist ein offenes Text-to-Speech-Modell von Zyphra, im Juni 2026 auf Hugging Face unter Apache 2.0 erschienen. Zyphra sagt, es sei auf mehr als 6 Millionen Stunden vielfältiger mehrsprachiger Sprache trainiert und nutze ein Mixture-of-Experts-Rückgrat. Bei der Inferenz normalisiert es Text zu UTF-8-Bytes, erfasst die Stimme einer Person mit einem ECAPA-TDNN-Embedding und erzeugt DAC-Audiocodec-Tokens.
Es deckt rund 35 Sprachen in drei Qualitätsstufen ab, mit Englisch, Mandarin-Chinesisch und Japanisch in der obersten, und ist auf Voice-Cloning aus einer kurzen Audioprobe oder einem gespeicherten Embedding ausgelegt. Die Veröffentlichung bringt einen lokalen Inferenzserver auf Basis von Mini-SGLang, der auf localhost:1919 mit einer Weboberfläche läuft, einen Streaming-Endpunkt, der mono PCM mit 44,1 kHz liefert, und eine Offline-Python-API. Eine gehostete Version läuft in Zyphras Cloud-Playground. Es braucht Linux x86_64 und eine NVIDIA-GPU mit CUDA.
Lohnt sich Zonos v2 (ZONOS2)?
Der Grund, sich Zonos v2 anzusehen, ist, dass es wirklich offen und wirklich mehrsprachig ist. Auf mehr als 6 Millionen Stunden Sprache trainiert, beherrscht es rund 35 Sprachen über drei Stufen und klont eine Stimme aus einer kurzen Probe mit einem ECAPA-TDNN-Sprecher-Embedding, statt ein Finetuning pro Stimme zu brauchen. Unter Apache 2.0 ist diese Kombination selten: Die meisten so flexiblen Voice-Cloning-Systeme sind geschlossene APIs wie ElevenLabs.
Die Verpackung ist praktisch. Der lokale Server auf Basis von Mini-SGLang gibt dir eine Weboberfläche und einen Streaming-Endpunkt, der rohes mono Audio mit 44,1 kHz liefert, und die Offline-Python-API verarbeitet gebündelte Prompts, es fügt sich also ohne gehostete Abhängigkeit in eine Pipeline. Für Teams, die Audio auf eigenen Maschinen halten müssen, zählt das.
Der Haken: Die Modellkarte macht keine messbaren Aussagen. Sie sagt, die Qualität sei "auf Augenhöhe mit oder sogar besser als" die Spitzenanbieter "bei niedriger Latenz", veröffentlicht aber keinen Benchmark, kein Sample-Set und keine Latenzzahl und überlässt das einem verlinkten Blogbeitrag. Für ein Sprachmodell, bei dem Natürlichkeit und Echtzeitfaktor die ganze Frage sind, ist das eine echte Lücke, und du kannst es nicht beurteilen, ohne es selbst laufen zu lassen. Es läuft außerdem nur auf Linux x86_64 mit einer NVIDIA-CUDA-GPU, also gibt es keinen Weg für Apple Silicon oder CPU.
Zwei weitere Dinge zum Abwägen. Der Standardserver lauscht auf Port 1919, behandle ihn also wie jeden lokalen Dienst und halte ihn vom offenen Netz fern. Und hochwertiges Voice-Cloning birgt ein offensichtliches Missbrauchsrisiko: Das Modell imitiert jede Stimme, die du ihm gibst, ohne eigene Einwilligungsprüfung. Zyphra ist inzwischen zu Zonos 3 übergegangen, mit einem kleineren ZONOS3-Mini im November 2026, v2 ist also nicht mehr die neueste Linie.
Unser Fazit: Für eine selbst gehostete, freizügig lizenzierte Cloning-Stimme über viele Sprachen ist es einen Versuch wert, aber höre es gegen Chatterbox und eine gehostete Option an deinem eigenen Text an, bevor du dich festlegst, denn das Projekt gibt dir keine Zahlen zum Vertrauen.
Wo es sich lohnt
Ein Indie-Spielestudio, das Dialoge lokalisiert
Konsistente Charakterstimmen in mehreren Sprachen ohne Sprecher pro Sprache erzeugen
Eine Referenzstimme aus einer kurzen Probe klonen und Zeilen in den Tier-1- und Tier-2-Sprachen über die Offline-Python-API synthetisieren, mit allem Audio auf eigener Hardware. Höre die Ausgabe zuerst ab, da die Karte keine Qualitätszahlen veröffentlicht.
Ein Accessibility-Team, das einen privaten Screenreader baut
Natürliche Sprache lokal erzeugen, ohne Text an eine Cloud-API zu senden
Den Mini-SGLang-Server auf einer NVIDIA-Linux-Maschine betreiben und den Streaming-Endpunkt für 44,1-kHz-Audio aufrufen, wobei der Dienst an localhost:1919 statt an das offene Netz gebunden bleibt.
Ein Entwickler, der offene TTS-Modelle vergleicht
Entscheiden, ob ein offenes Modell eine bezahlte Sprach-API ersetzen kann
Zonos v2 gegen Chatterbox und eine gehostete Option mit eigenen Skripten und Sprachen testen; da Zyphra keinen Benchmark veröffentlicht, ist der eigene Hörtest die einzige Grundlage für die Wahl.
Bevor du dich festlegst
- Einrichtung
- Gewichte auf Hugging Face; der lokale Server läuft auf Linux x86_64 mit einer NVIDIA-CUDA-GPU und stellt eine Weboberfläche auf localhost:1919 bereit. Eine Offline-Python-API (TTSLLM) verarbeitet gebündelte Prompts; ein gehostetes Playground läuft auf cloud.zyphra.com.
- Integrationen
- Streaming-Endpunkt, der float32-PCM mit 44,1 kHz mono liefert; Stimmen klonen aus .wav, .mp3, .flac oder gespeicherten .npy/.npz-Embeddings; gehostete API in Zyphras Cloud.
- Daten und Datenschutz
- Die Apache-2.0-Gewichte laufen vollständig auf eigener Hardware, beim Selbsthosten muss also weder Audio noch Text die Maschine verlassen. Das gehostete Playground folgt Zyphras eigenen Bedingungen, die die Karte nicht wiederholt.
- Kosten im großen Maßstab
- Keine Lizenzgebühr; die Kosten sind die NVIDIA-GPU zum Betreiben. Das Mixture-of-Experts-Rückgrat wird als niedriglatent beworben, aber die Karte gibt keine Durchsatz- oder Echtzeitfaktor-Zahl, um ein Deployment zu dimensionieren.
- Grenzen
- Nur Linux x86_64 und NVIDIA; keine veröffentlichten Qualitäts- oder Latenzzahlen; keine eingebaute Einwilligungskontrolle für geklonte Stimmen; von Zonos 3 überholt.
Was gut ist
- Apache-2.0-Gewichte mit Voice-Cloning aus einer kurzen Probe
- Rund 35 Sprachen über drei Stufen
- Lokaler Streaming-Server und Offline-Python-API, keine Cloud nötig
- Auf mehr als 6 Millionen Stunden Sprache trainiert
Was nicht
- Keine veröffentlichten Qualitäts-, Sample- oder Latenzzahlen
- Nur Linux x86_64 und NVIDIA CUDA
- Klont jede Stimme ohne eingebaute Einwilligungsprüfung
- Von Zonos 3 überholt (ZONOS3-Mini, November 2026)
Am besten für
Entwickler, die ein selbst gehostetes, freizügig lizenziertes Voice-Cloning-TTS über viele Sprachen brauchen und es auf einer NVIDIA-Linux-Maschine betreiben können.
Alternativen zu Zonos v2 (ZONOS2)
Zonos v2 (ZONOS2): häufige Fragen
- Lohnt sich Zonos v2 (ZONOS2)?
- Ein fähiges offenes Voice-Cloning-Modell mit ungewöhnlich breiter Sprachabdeckung, geschwächt durch das Fehlen veröffentlichter Qualitäts- oder Latenzzahlen und eine reine Linux-plus-NVIDIA-Basis. Wir bewerten es mit 3.9 von 5.
- Was kostet Zonos v2 (ZONOS2)?
- Kostenlose Gewichte unter Apache 2.0. Ein gehostetes Playground und eine API laufen auf cloud.zyphra.com; der API-Preis steht nicht auf der Modellkarte.
- Welche Nachteile hat Zonos v2 (ZONOS2)?
- Keine veröffentlichten Qualitäts-, Sample- oder Latenzzahlen; Nur Linux x86_64 und NVIDIA CUDA; Klont jede Stimme ohne eingebaute Einwilligungsprüfung; Von Zonos 3 überholt (ZONOS3-Mini, November 2026).
- Für wen eignet sich Zonos v2 (ZONOS2)?
- Entwickler, die ein selbst gehostetes, freizügig lizenziertes Voice-Cloning-TTS über viele Sprachen brauchen und es auf einer NVIDIA-Linux-Maschine betreiben können.
- Was kostet Zonos v2 (ZONOS2) für ein Team oder im Produktivbetrieb?
- Keine Lizenzgebühr; die Kosten sind die NVIDIA-GPU zum Betreiben. Das Mixture-of-Experts-Rückgrat wird als niedriglatent beworben, aber die Karte gibt keine Durchsatz- oder Echtzeitfaktor-Zahl, um ein Deployment zu dimensionieren.
- Ist Zonos v2 (ZONOS2) sicher für Firmendaten?
- Die Apache-2.0-Gewichte laufen vollständig auf eigener Hardware, beim Selbsthosten muss also weder Audio noch Text die Maschine verlassen. Das gehostete Playground folgt Zyphras eigenen Bedingungen, die die Karte nicht wiederholt.
- Was sind die besten Alternativen zu Zonos v2 (ZONOS2)?
- Die nächsten Alternativen, die wir getestet haben, sind Chatterbox, Sesame CSM-1B und Eleven v4 and v4 Turbo.
Antworten geprüft am 14. Nov. 2026.