¿Qué es Zonos v2 (ZONOS2)?
Zonos v2 es un modelo de texto a voz abierto de Zyphra, publicado en Hugging Face en junio de 2026 bajo Apache 2.0. Zyphra dice que se entrenó con más de 6 millones de horas de habla multilingüe variada y usa una arquitectura mixture-of-experts. En la inferencia normaliza el texto a bytes UTF-8, captura la voz de un hablante con un embedding ECAPA-TDNN y genera tokens del códec de audio DAC.
Cubre unos 35 idiomas en tres niveles de calidad, con inglés, chino mandarín y japonés en el primero, y está hecho para clonar voces a partir de una muestra corta de audio o un embedding guardado. El lanzamiento incluye un servidor de inferencia local construido sobre Mini-SGLang que corre en localhost:1919 con una interfaz web, un endpoint de streaming que devuelve PCM mono a 44,1 kHz y una API de Python sin conexión. Una versión alojada corre en el playground en la nube de Zyphra. Requiere Linux x86_64 y una GPU NVIDIA con CUDA.
¿Merece la pena Zonos v2 (ZONOS2)?
La razón para fijarse en Zonos v2 es que es realmente abierto y realmente multilingüe. Entrenado con más de 6 millones de horas de habla, maneja unos 35 idiomas repartidos en tres niveles, y clona una voz a partir de una muestra corta usando un embedding de hablante ECAPA-TDNN en vez de necesitar un ajuste por voz. Bajo Apache 2.0, esa combinación es rara: la mayoría de los sistemas de clonación de voz tan flexibles son API cerradas como ElevenLabs.
El empaquetado es práctico. El servidor local construido sobre Mini-SGLang te da una interfaz web y un endpoint de streaming que devuelve audio mono crudo a 44,1 kHz, y la API de Python sin conexión maneja prompts por lotes, así que encaja en una canalización sin depender de un servicio alojado. Para equipos que deben mantener el audio en sus propias máquinas, eso importa.
La pega: la ficha del modelo no hace afirmaciones medibles. Dice que la calidad está "a la par o incluso superando" a los mejores proveedores "con baja latencia", pero no publica ningún benchmark, ningún conjunto de muestras ni ninguna cifra de latencia, y lo deja para un artículo enlazado. Para un modelo de voz, donde la naturalidad y el factor en tiempo real son toda la cuestión, eso es un hueco real, y no puedes juzgarlo sin ejecutarlo tú. Además solo corre en Linux x86_64 con una GPU NVIDIA con CUDA, así que no hay camino para Apple Silicon ni CPU.
Dos cosas más a sopesar. El servidor por defecto escucha en el puerto 1919, así que trátalo como cualquier servicio local y mantenlo fuera de la red abierta. Y la clonación de voz de alta fidelidad conlleva un riesgo evidente de mal uso: el modelo imitará cualquier voz que le des, sin ningún control de consentimiento propio. Zyphra ha pasado desde entonces a Zonos 3, con un ZONOS3-Mini más pequeño publicado en noviembre de 2026, así que v2 ya no es la línea más nueva.
Nuestra opinión: para una voz de clonación autoalojada y con licencia permisiva en muchos idiomas, vale la pena probarlo, pero compáralo con Chatterbox y una opción alojada usando tu propio texto antes de comprometerte, porque el proyecto no te da cifras en las que confiar.
Dónde se gana su sitio
Un estudio de videojuegos independiente que localiza diálogos
Generar voces de personaje consistentes en varios idiomas sin actores de voz por idioma
Clona una voz de referencia a partir de una muestra corta y sintetiza líneas en los idiomas de nivel 1 y nivel 2 a través de la API de Python sin conexión, manteniendo todo el audio en tu propio hardware. Escucha la salida primero, ya que la ficha no publica cifras de calidad.
Un equipo de accesibilidad que construye un lector de pantalla privado
Producir habla natural en local sin enviar texto a una API en la nube
Ejecuta el servidor Mini-SGLang en una máquina Linux con NVIDIA y llama al endpoint de streaming para obtener audio a 44,1 kHz, manteniendo el servicio atado a localhost:1919 en vez de a la red abierta.
Un desarrollador que compara modelos de TTS abiertos
Decidir si un modelo abierto puede sustituir a una API de voz de pago
Prueba Zonos v2 frente a Chatterbox y una opción alojada con tus propios guiones e idiomas; como Zyphra no publica ningún benchmark, tu propia prueba de escucha es la única base para la elección.
Antes de decidirte
- Puesta en marcha
- Pesos en Hugging Face; el servidor local corre en Linux x86_64 con una GPU NVIDIA con CUDA, sirviendo una interfaz web en localhost:1919. Una API de Python sin conexión (TTSLLM) maneja prompts por lotes; un playground alojado corre en cloud.zyphra.com.
- Integraciones
- Endpoint de streaming que devuelve PCM float32 mono a 44,1 kHz; clona voces desde .wav, .mp3, .flac o embeddings guardados .npy/.npz; API alojada en la nube de Zyphra.
- Datos y privacidad
- Los pesos Apache 2.0 corren por completo en tu propio hardware, así que ni el audio ni el texto necesitan salir de la máquina al autoalojarlo. El playground alojado sigue los términos propios de Zyphra, que la ficha no reitera.
- Coste a escala
- Sin cuota de licencia; el coste es la GPU NVIDIA para ejecutarlo. La arquitectura mixture-of-experts se presenta como de baja latencia, pero la ficha no da ninguna cifra de rendimiento o factor en tiempo real para dimensionar un despliegue.
- Límites
- Solo Linux x86_64 y NVIDIA; sin cifras publicadas de calidad o latencia; sin control de consentimiento integrado para voces clonadas; superado por Zonos 3.
Lo bueno
- Pesos Apache 2.0 con clonación de voz a partir de una muestra corta
- Unos 35 idiomas repartidos en tres niveles
- Servidor local de streaming y API de Python sin conexión, sin nube
- Entrenado con más de 6 millones de horas de habla
Lo malo
- Sin cifras publicadas de calidad, muestras ni latencia
- Solo Linux x86_64 y NVIDIA CUDA
- Clona cualquier voz sin control de consentimiento integrado
- Superado por Zonos 3 (ZONOS3-Mini, noviembre de 2026)
Ideal para
Desarrolladores que necesitan un TTS de clonación de voz autoalojado y con licencia permisiva en muchos idiomas y pueden ejecutarlo en una máquina Linux con NVIDIA.
Alternativas a Zonos v2 (ZONOS2)
Zonos v2 (ZONOS2): preguntas frecuentes
- ¿Merece la pena Zonos v2 (ZONOS2)?
- Un modelo de clonación de voz abierto y capaz, con una cobertura de idiomas poco común, lastrado por la ausencia de cifras publicadas de calidad o latencia y por funcionar solo en Linux con NVIDIA. Le damos un 3.9 sobre 5.
- ¿Cuánto cuesta Zonos v2 (ZONOS2)?
- Pesos gratuitos bajo Apache 2.0. Un playground alojado y una API corren en cloud.zyphra.com; el precio de la API no se reitera en la ficha del modelo.
- ¿Qué inconvenientes tiene Zonos v2 (ZONOS2)?
- Sin cifras publicadas de calidad, muestras ni latencia; solo Linux x86_64 y NVIDIA CUDA; clona cualquier voz sin control de consentimiento integrado; superado por Zonos 3 (ZONOS3-Mini, noviembre de 2026).
- ¿Para quién es Zonos v2 (ZONOS2)?
- Desarrolladores que necesitan un TTS de clonación de voz autoalojado y con licencia permisiva en muchos idiomas y pueden ejecutarlo en una máquina Linux con NVIDIA.
- ¿Cuánto cuesta Zonos v2 (ZONOS2) para un equipo o en producción?
- Sin cuota de licencia; el coste es la GPU NVIDIA para ejecutarlo. La arquitectura mixture-of-experts se presenta como de baja latencia, pero la ficha no da ninguna cifra de rendimiento o factor en tiempo real para dimensionar un despliegue.
- ¿Es Zonos v2 (ZONOS2) seguro para los datos de la empresa?
- Los pesos Apache 2.0 corren por completo en tu propio hardware, así que ni el audio ni el texto necesitan salir de la máquina al autoalojarlo. El playground alojado sigue los términos propios de Zyphra, que la ficha no reitera.
- ¿Cuáles son las mejores alternativas a Zonos v2 (ZONOS2)?
- Las alternativas más cercanas que hemos analizado son Chatterbox, Sesame CSM-1B y Eleven v4 and v4 Turbo.
Respuestas comprobadas el 14 nov 2026.