Qu’est-ce que Zonos v2 (ZONOS2) ?
Zonos v2 est un modèle de synthèse vocale ouvert de Zyphra, publié sur Hugging Face en juin 2026 sous Apache 2.0. Zyphra indique qu'il a été entraîné sur plus de 6 millions d'heures de parole multilingue variée et utilise une ossature mixture-of-experts. À l'inférence, il normalise le texte en octets UTF-8, capture la voix d'un locuteur avec un embedding ECAPA-TDNN et génère des tokens du codec audio DAC.
Il couvre environ 35 langues réparties en trois niveaux de qualité, avec l'anglais, le chinois mandarin et le japonais au premier, et il est conçu pour cloner des voix à partir d'un court échantillon audio ou d'un embedding sauvegardé. La sortie fournit un serveur d'inférence local bâti sur Mini-SGLang qui tourne sur localhost:1919 avec une interface web, un endpoint de streaming renvoyant du PCM mono à 44,1 kHz, et une API Python hors ligne. Une version hébergée tourne dans le playground cloud de Zyphra. Il exige Linux x86_64 et un GPU NVIDIA avec CUDA.
Zonos v2 (ZONOS2) vaut-il le coup ?
La raison de regarder Zonos v2, c'est qu'il est vraiment ouvert et vraiment multilingue. Entraîné sur plus de 6 millions d'heures de parole, il gère environ 35 langues réparties en trois niveaux, et il clone une voix à partir d'un court échantillon via un embedding de locuteur ECAPA-TDNN plutôt que d'exiger un fine-tuning par voix. Sous Apache 2.0, cette combinaison est rare : la plupart des systèmes de clonage de voix aussi souples sont des API fermées comme ElevenLabs.
Le conditionnement est pratique. Le serveur local bâti sur Mini-SGLang vous donne une interface web et un endpoint de streaming qui renvoie de l'audio mono brut à 44,1 kHz, et l'API Python hors ligne gère les prompts par lots, donc il s'insère dans une chaîne sans dépendance hébergée. Pour les équipes qui doivent garder l'audio sur leurs propres machines, cela compte.
Le hic : la fiche du modèle ne fait aucune affirmation mesurable. Elle dit que la qualité est "au niveau ou même supérieure" aux meilleurs fournisseurs "à faible latence", mais ne publie aucun benchmark, aucun jeu d'échantillons ni aucun chiffre de latence, laissant cela à un billet de blog lié. Pour un modèle vocal, où le naturel et le facteur temps réel sont toute la question, c'est un vrai manque, et vous ne pouvez pas le juger sans le faire tourner vous-même. Il ne tourne en outre que sur Linux x86_64 avec un GPU NVIDIA CUDA, donc aucune voie Apple Silicon ou CPU.
Deux autres choses à peser. Le serveur par défaut écoute sur le port 1919, alors traitez-le comme tout service local et gardez-le hors du réseau ouvert. Et le clonage de voix haute fidélité porte un risque de mésusage évident : le modèle imitera toute voix que vous lui donnez, sans contrôle de consentement propre. Zyphra est depuis passé à Zonos 3, avec un ZONOS3-Mini plus petit publié en novembre 2026, donc v2 n'est plus la lignée la plus récente.
Notre avis : pour une voix de clonage auto-hébergée et à licence permissive dans de nombreuses langues, cela vaut l'essai, mais écoutez-le face à Chatterbox et à une option hébergée sur votre propre texte avant de vous engager, car le projet ne vous donne aucun chiffre à qui se fier.
Là où il fait la différence
Un studio de jeu indépendant qui localise des dialogues
Générer des voix de personnage cohérentes dans plusieurs langues sans comédiens par langue
Clonez une voix de référence à partir d'un court échantillon et synthétisez des répliques dans les langues de niveau 1 et niveau 2 via l'API Python hors ligne, en gardant tout l'audio sur votre propre matériel. Écoutez d'abord la sortie, car la fiche ne publie aucun chiffre de qualité.
Une équipe accessibilité qui construit un lecteur d'écran privé
Produire une parole naturelle en local sans envoyer de texte à une API cloud
Faites tourner le serveur Mini-SGLang sur une machine Linux NVIDIA et appelez l'endpoint de streaming pour de l'audio à 44,1 kHz, en gardant le service lié à localhost:1919 plutôt qu'au réseau ouvert.
Un développeur qui compare des modèles de TTS ouverts
Décider si un modèle ouvert peut remplacer une API vocale payante
Testez Zonos v2 face à Chatterbox et à une option hébergée avec vos propres scripts et langues ; comme Zyphra ne publie aucun benchmark, votre propre test d'écoute est la seule base du choix.
Avant de vous engager
- Mise en route
- Poids sur Hugging Face ; le serveur local tourne sur Linux x86_64 avec un GPU NVIDIA CUDA, servant une interface web sur localhost:1919. Une API Python hors ligne (TTSLLM) gère les prompts par lots ; un playground hébergé tourne sur cloud.zyphra.com.
- Intégrations
- Endpoint de streaming renvoyant du PCM float32 mono à 44,1 kHz ; clonage de voix depuis .wav, .mp3, .flac ou embeddings .npy/.npz sauvegardés ; API hébergée dans le cloud de Zyphra.
- Données et confidentialité
- Les poids Apache 2.0 tournent entièrement sur votre propre matériel, donc ni l'audio ni le texte n'ont besoin de quitter la machine en auto-hébergement. Le playground hébergé suit les conditions propres de Zyphra, que la fiche ne répète pas.
- Coût à grande échelle
- Pas de frais de licence ; le coût est le GPU NVIDIA pour le faire tourner. L'ossature mixture-of-experts est présentée comme à faible latence, mais la fiche ne donne aucun chiffre de débit ou de facteur temps réel pour dimensionner un déploiement.
- Limites
- Linux x86_64 et NVIDIA uniquement ; aucun chiffre publié de qualité ou de latence ; aucun contrôle de consentement intégré pour les voix clonées ; dépassé par Zonos 3.
Les points forts
- Poids Apache 2.0 avec clonage de voix à partir d'un court échantillon
- Environ 35 langues réparties en trois niveaux
- Serveur de streaming local et API Python hors ligne, sans cloud
- Entraîné sur plus de 6 millions d'heures de parole
Les points faibles
- Aucun chiffre publié de qualité, d'échantillons ou de latence
- Linux x86_64 et NVIDIA CUDA uniquement
- Clone toute voix sans contrôle de consentement intégré
- Dépassé par Zonos 3 (ZONOS3-Mini, novembre 2026)
Idéal pour
Développeurs qui ont besoin d'une synthèse vocale de clonage auto-hébergée et à licence permissive dans de nombreuses langues et peuvent la faire tourner sur une machine Linux NVIDIA.
Alternatives à Zonos v2 (ZONOS2)
Zonos v2 (ZONOS2) : questions fréquentes
- Zonos v2 (ZONOS2) vaut-il le coup ?
- Un modèle de clonage de voix ouvert et capable, à la couverture linguistique peu commune, desservi par l'absence de chiffres publiés de qualité ou de latence et une empreinte limitée à Linux et NVIDIA. Nous lui donnons 3.9 sur 5.
- Combien coûte Zonos v2 (ZONOS2) ?
- Poids gratuits sous Apache 2.0. Un playground hébergé et une API tournent sur cloud.zyphra.com ; le prix de l'API n'est pas répété sur la fiche du modèle.
- Quels sont les inconvénients de Zonos v2 (ZONOS2) ?
- Aucun chiffre publié de qualité, d'échantillons ou de latence; linux x86_64 et NVIDIA CUDA uniquement; clone toute voix sans contrôle de consentement intégré; dépassé par Zonos 3 (ZONOS3-Mini, novembre 2026).
- À qui s’adresse Zonos v2 (ZONOS2) ?
- Développeurs qui ont besoin d'une synthèse vocale de clonage auto-hébergée et à licence permissive dans de nombreuses langues et peuvent la faire tourner sur une machine Linux NVIDIA.
- Combien coûte Zonos v2 (ZONOS2) pour une équipe ou en production ?
- Pas de frais de licence ; le coût est le GPU NVIDIA pour le faire tourner. L'ossature mixture-of-experts est présentée comme à faible latence, mais la fiche ne donne aucun chiffre de débit ou de facteur temps réel pour dimensionner un déploiement.
- Zonos v2 (ZONOS2) est-il sûr pour les données de l’entreprise ?
- Les poids Apache 2.0 tournent entièrement sur votre propre matériel, donc ni l'audio ni le texte n'ont besoin de quitter la machine en auto-hébergement. Le playground hébergé suit les conditions propres de Zyphra, que la fiche ne répète pas.
- Quelles sont les meilleures alternatives à Zonos v2 (ZONOS2) ?
- Les alternatives les plus proches que nous avons testées sont Chatterbox, Sesame CSM-1B et Eleven v4 and v4 Turbo.
Réponses vérifiées le 14 nov. 2026.