Zonos v2 (ZONOS2)とは？
Zonos v2 は Zyphra のオープンな音声合成モデルで、2026年6月に Hugging Face で Apache 2.0 のもと公開されました。Zyphra によると、600 万時間を超える多様な多言語音声で学習され、mixture-of-experts のバックボーンを使います。推論時はテキストを UTF-8 バイトに正規化し、ECAPA-TDNN の埋め込みで話者の声を捉え 、DAC 音声コーデックのトークンを生成します。
英語、北京語、日本語を最上位に、3 つの品質ティアでおよそ 35 言語をカバーし、短い音声サンプルか保存した埋め込みから声をクローンするよう作られています。公開物には、localhost:1919 で Web UI 付きに動く Mini-SGLang ベースのローカル推論サーバー、44.1 kHz モノラルの PCM を返すストリーミングエンドポイント、オフラインの Python API が含まれます。ホスト版は Zyphra のクラウドプレイグラウンドで動きます。Linux x86_64 と CUDA 対応の NVIDIA GPU が必要です。
Zonos v2 (ZONOS2)は使う価値があるか？
Zonos v2 に注目する理由は、本当にオープンで本当に多言語だからです。600 万時間を超える音声で学習され、3 つのティアに分かれたおよそ 35 言語を扱い、声ごとのファインチューニングを必要とせず、ECAPA-TDNN の話者埋め込みで短いサンプルから声をクローンします。Apache 2.0 のもとでは、この組み合わせはまれです。これほど柔軟な声クローンシステムの多くは ElevenLabs のような閉じた API です。
パッケージングは実用的です。Mini-SGLang ベースのローカルサーバーは Web UI と、44.1 kHz のモノラル生音声を返すストリーミングエンドポイントを提供し、オフラインの Python API はバッチのプロンプトを扱うので、ホスト依存なしにパイプラインに組み込めます。音声を自分のマシンに留めなければならないチームには重要です。
注意点：モデルカードは測定可能な主張をしていません。品質は「低レイテンシーで」トップの提供元「と同等か、それを上回る」と述べていますが、ベンチマークもサンプル集もレイテンシーの数 値も公開せず、リンク先のブログ記事に委ねています。自然さとリアルタイム係数がすべての音声モデルにとって、これは本当の欠落で、自分で動かさないと判断できません。さらに Linux x86_64 と NVIDIA CUDA の GPU でしか動かず、Apple Silicon や CPU の道はありません。
もう 2 点。既定のサーバーはポート 1919 を待ち受けるので、他のローカルサービスと同様に扱い、公開ネットワークから外しておいてください。そして高忠実度の声クローンには明らかな悪用リスクがあります。モデルは与えたどんな声でも模倣し、独自の同意確認はありません。Zyphra はその後 Zonos 3 へ移り、より小さな ZONOS3-Mini を 2026年11月に公開したので、v2 はもう最新の系統ではありません。
結論：多くの言語にまたがる、自前ホストで寛容なライセンスのクローン音声としては試す価値がありますが、プロジェクトは信頼できる数値を出していないので、決める前に自分のテキストで Chatterbox やホスト版と聴き比べてください。
真価を発揮する場面
台詞をローカライズするインディーゲームスタジオ
言語ごとの声優なしに、複数言語で一貫したキャラクターの声を生成したい
短いサンプルから参照の声をクローンし、オフラインの Python API でティア 1 とティア 2 の言語の台詞を合成し、音声はすべて自分のハードウェアに留めます。カードは品質の数値を公開していないので、まず出力を試聴してください。
プライベートなスクリーンリーダーを作るアクセシビリティチーム
テキストをクラウド API に送らず、ローカルで自然な音声を作りたい
NVIDIA の Linux マシンで Mini-SGLang サーバーを動かし、ストリーミングエンドポイントを呼んで 44.1 kHz の音声を得ます。サービスは公開ネットワークではなく localhost:1919 に束ねたままにします。
オープンな TTS モデルを比較する開発者
オープンモデルが有料の音声 API を置き換えられるか判断したい
自分のスクリプトと言語で Zonos v2 を Chatterbox やホスト版と比べます。Zyphra はベンチマークを公開していないので、自分の試聴テストが選択の唯一の根拠です。
導入前に確認すること
- 導入
- 重みは Hugging Face にあり、ローカルサーバーは CUDA 対応の NVIDIA GPU を備えた Linux x86_64 で動き、localhost:1919 で Web UI を提供します。オフラインの Python API（TTSLLM）がバッチのプロンプトを扱い、ホスト版のプレイグラウンドが cloud.zyphra.com で動きます。
- 連携
- 44.1 kHz モノラルの float32 PCM を返すストリーミングエンドポイント、.wav、.mp3、.flac や保存した .npy/.npz 埋め込みからの声クローン、Zyphra クラウドのホスト API に対応します。
- データとプライバシー
- Apache 2.0 の重みは完全に自分のハードウェアで動くので、自前ホストすれば音声もテキストもマシンの外に出す必要はありません。ホスト版のプレイグラウンドは Zyphra 独自の規約に従い、カードはそれを繰り返しません。
- 大規模利用時のコスト
- ライセンス料はありません。コストは動かすための NVIDIA GPU です。mixture-of-experts のバックボーンは低レイテンシーとうたわれていますが、カードはデプロイを見積もるためのスループットやリアルタイム係数の数値を示していません。
- 制限
- Linux x86_64 と NVIDIA のみ。品質やレイテンシーの公開数値がなく、クローンした声の同意確認を内蔵せず、Zonos 3 に追い抜かれています。
良い点
- 短いサンプルから声をクローンできる Apache 2.0 の重み
- 3 つのティアに分かれたおよそ 35 言語
- ローカルのストリーミングサーバーとオフライン Python API、クラウド不要
- 600 万時間を超える音声で学習
気になる点
- 品質、サンプル、レイテンシーの公開数値がない
- Linux x86_64 と NVIDIA CUDA のみ
- 同意確認を内蔵せずどんな声でもクローンする
- Zonos 3（ZONOS3-Mini、2026年11月）に追い抜かれている
おすすめの人
多くの言語にまたがる、自前ホストで寛容なライセンスの声クローン TTS を必要とし、NVIDIA の Linux マシンで動かせる開発者向けです。
Zonos v2 (ZONOS2)の代替
Zonos v2 (ZONOS2)：よくある質問
- Zonos v2 (ZONOS2)は使う価値があるか？
- 言語カバー範囲が珍しく広い、有能なオープンな声クローンモデルですが、品質やレイテンシーの公開数値がなく、Linux と NVIDIA 専用という点が足を引っ張ります。 評価は5点満点中3.9点です。
- Zonos v2 (ZONOS2)の料金は？
- Apache 2.0 の無料の重みです。ホスト版のプレイグラウンドと API が cloud.zyphra.com で動きますが、API 料金はモデルカードに記載されていません。
- Zonos v2 (ZONOS2)の欠点は？
- 品質、サンプル、レイテンシーの公開数値がない; Linux x86_64 と NVIDIA CUDA のみ; 同意確認を内蔵せずどんな声でもクローンする; Zonos 3（ZONOS3-Mini、2026年11月）に追い抜かれている.
- Zonos v2 (ZONOS2)は誰に向いているか？
- 多くの言語にまたがる、自前ホストで寛容なライセンスの声クローン TTS を必要とし、NVIDIA の Linux マシンで動かせる開発者向けです。
- チームや本番環境でZonos v2 (ZONOS2)を使うと費用はいくらか？
- ライセンス料はありません。コストは動かすための NVIDIA GPU です。mixture-of-experts のバックボーンは低レイテンシーとうたわれていますが、カードはデプロイを見積もるためのスループットやリアルタイム係数の数値を示していません。
- Zonos v2 (ZONOS2)は企業データを扱っても安全か？
- Apache 2.0 の重みは完全に自分のハードウェアで動くので、自前ホストすれば音声もテキストもマシンの外に出す必要はありません。ホスト版のプレイグラウンドは Zyphra 独自の規約に従い、カードはそれを繰り返しません。
- Zonos v2 (ZONOS2)の代わりになるものは？
- 当サイトでレビューした中で最も近い代替はChatterbox, Sesame CSM-1B 、 Eleven v4 and v4 Turboです。
回答確認日：2026年11月14日