O que é Zonos v2 (ZONOS2)?
Zonos v2 é um modelo de texto para fala aberto da Zyphra, publicado no Hugging Face em junho de 2026 sob Apache 2.0. A Zyphra diz que foi treinado com mais de 6 milhões de horas de fala multilíngue variada e usa uma espinha dorsal mixture-of-experts. Na inferência ele normaliza o texto para bytes UTF-8, captura a voz de um falante com um embedding ECAPA-TDNN e gera tokens do codec de áudio DAC.
Ele cobre cerca de 35 idiomas em três níveis de qualidade, com inglês, chinês mandarim e japonês no primeiro, e é feito para clonar vozes a partir de uma amostra curta de áudio ou de um embedding salvo. O lançamento traz um servidor de inferência local construído sobre o Mini-SGLang que roda em localhost:1919 com uma interface web, um endpoint de streaming que devolve PCM mono a 44,1 kHz e uma API Python offline. Uma versão hospedada roda no playground na nuvem da Zyphra. Exige Linux x86_64 e uma GPU NVIDIA com CUDA.
Zonos v2 (ZONOS2) vale a pena?
O motivo para olhar o Zonos v2 é que ele é de fato aberto e de fato multilíngue. Treinado com mais de 6 milhões de horas de fala, ele dá conta de cerca de 35 idiomas distribuídos em três níveis, e clona uma voz a partir de uma amostra curta usando um embedding de falante ECAPA-TDNN em vez de precisar de um ajuste por voz. Sob Apache 2.0, essa combinação é rara: a maioria dos sistemas de clonagem de voz tão flexíveis são APIs fechadas como a ElevenLabs.
O empacotamento é prático. O servidor local construído sobre o Mini-SGLang dá a você uma interface web e um endpoint de streaming que devolve áudio mono bruto a 44,1 kHz, e a API Python offline dá conta de prompts em lote, então ele se encaixa numa pipeline sem depender de um serviço hospedado. Para equipes que precisam manter o áudio nas próprias máquinas, isso importa.
O porém: a ficha do modelo não faz afirmações mensuráveis. Diz que a qualidade está "à altura de ou até superando" os melhores provedores "com baixa latência", mas não publica nenhum benchmark, nenhum conjunto de amostras nem nenhum número de latência, deixando isso para um post de blog vinculado. Para um modelo de voz, em que a naturalidade e o fator em tempo real são toda a questão, isso é uma lacuna real, e você não consegue julgá-lo sem rodá-lo você mesmo. Ele também roda só em Linux x86_64 com uma GPU NVIDIA CUDA, então não há caminho para Apple Silicon ou CPU.
Mais duas coisas a pesar. O servidor padrão escuta na porta 1919, então trate-o como qualquer serviço local e mantenha-o fora da rede aberta. E a clonagem de voz de alta fidelidade carrega um risco de mau uso óbvio: o modelo imita qualquer voz que você der, sem nenhum controle de consentimento próprio. A Zyphra desde então passou ao Zonos 3, com um ZONOS3-Mini menor publicado em novembro de 2026, então o v2 já não é a linha mais nova.
Nossa opinião: para uma voz de clonagem auto-hospedada e com licença permissiva em muitos idiomas, vale a tentativa, mas ouça-o contra o Chatterbox e uma opção hospedada no seu próprio texto antes de se comprometer, porque o projeto não lhe dá números em que confiar.
Onde ele se destaca
Um estúdio de jogos indie localizando diálogos
Gerar vozes de personagem consistentes em vários idiomas sem dubladores por idioma
Clone uma voz de referência a partir de uma amostra curta e sintetize falas nos idiomas de nível 1 e nível 2 pela API Python offline, mantendo todo o áudio no seu próprio hardware. Ouça a saída primeiro, já que a ficha não publica números de qualidade.
Uma equipe de acessibilidade construindo um leitor de tela privado
Produzir fala natural localmente sem enviar texto a uma API na nuvem
Rode o servidor Mini-SGLang numa máquina Linux com NVIDIA e chame o endpoint de streaming para áudio a 44,1 kHz, mantendo o serviço preso a localhost:1919 em vez da rede aberta.
Um desenvolvedor comparando modelos de TTS abertos
Decidir se um modelo aberto pode substituir uma API de voz paga
Teste o Zonos v2 contra o Chatterbox e uma opção hospedada com seus próprios roteiros e idiomas; como a Zyphra não publica nenhum benchmark, seu próprio teste de audição é a única base para a escolha.
Antes de decidir
- Configuração
- Pesos no Hugging Face; o servidor local roda em Linux x86_64 com uma GPU NVIDIA CUDA, servindo uma interface web em localhost:1919. Uma API Python offline (TTSLLM) dá conta de prompts em lote; um playground hospedado roda em cloud.zyphra.com.
- Integrações
- Endpoint de streaming que devolve PCM float32 mono a 44,1 kHz; clonagem de vozes a partir de .wav, .mp3, .flac ou embeddings salvos .npy/.npz; API hospedada na nuvem da Zyphra.
- Dados e privacidade
- Os pesos Apache 2.0 rodam inteiramente no seu próprio hardware, então nem o áudio nem o texto precisam sair da máquina ao auto-hospedar. O playground hospedado segue os termos próprios da Zyphra, que a ficha não repete.
- Custo em escala
- Sem taxa de licença; o custo é a GPU NVIDIA para rodá-lo. A espinha dorsal mixture-of-experts é apresentada como de baixa latência, mas a ficha não dá nenhum número de vazão ou fator em tempo real para dimensionar uma implantação.
- Limites
- Só Linux x86_64 e NVIDIA; nenhum número publicado de qualidade ou latência; nenhum controle de consentimento embutido para vozes clonadas; superado pelo Zonos 3.
O que é bom
- Pesos Apache 2.0 com clonagem de voz a partir de uma amostra curta
- Cerca de 35 idiomas distribuídos em três níveis
- Servidor de streaming local e API Python offline, sem nuvem
- Treinado com mais de 6 milhões de horas de fala
O que não é
- Nenhum número publicado de qualidade, amostras ou latência
- Só Linux x86_64 e NVIDIA CUDA
- Clona qualquer voz sem controle de consentimento embutido
- Superado pelo Zonos 3 (ZONOS3-Mini, novembro de 2026)
Ideal para
Desenvolvedores que precisam de um TTS de clonagem de voz auto-hospedado e com licença permissiva em muitos idiomas e podem rodá-lo numa máquina Linux com NVIDIA.
Alternativas ao Zonos v2 (ZONOS2)
Zonos v2 (ZONOS2): perguntas frequentes
- Zonos v2 (ZONOS2) vale a pena?
- Um modelo de clonagem de voz aberto e capaz, com cobertura de idiomas incomum, prejudicado pela ausência de números publicados de qualidade ou latência e por rodar só em Linux com NVIDIA. Damos nota 3.9 de 5.
- Quanto custa Zonos v2 (ZONOS2)?
- Pesos gratuitos sob Apache 2.0. Um playground hospedado e uma API rodam em cloud.zyphra.com; o preço da API não é repetido na ficha do modelo.
- Quais são as desvantagens de Zonos v2 (ZONOS2)?
- Nenhum número publicado de qualidade, amostras ou latência; só Linux x86_64 e NVIDIA CUDA; clona qualquer voz sem controle de consentimento embutido; superado pelo Zonos 3 (ZONOS3-Mini, novembro de 2026).
- Para quem Zonos v2 (ZONOS2) é indicado?
- Desenvolvedores que precisam de um TTS de clonagem de voz auto-hospedado e com licença permissiva em muitos idiomas e podem rodá-lo numa máquina Linux com NVIDIA.
- Quanto custa Zonos v2 (ZONOS2) para uma equipe ou em produção?
- Sem taxa de licença; o custo é a GPU NVIDIA para rodá-lo. A espinha dorsal mixture-of-experts é apresentada como de baixa latência, mas a ficha não dá nenhum número de vazão ou fator em tempo real para dimensionar uma implantação.
- Zonos v2 (ZONOS2) é seguro para dados da empresa?
- Os pesos Apache 2.0 rodam inteiramente no seu próprio hardware, então nem o áudio nem o texto precisam sair da máquina ao auto-hospedar. O playground hospedado segue os termos próprios da Zyphra, que a ficha não repete.
- Quais são as melhores alternativas ao Zonos v2 (ZONOS2)?
- As alternativas mais próximas que analisamos são Chatterbox, Sesame CSM-1B e Eleven v4 and v4 Turbo.
Respostas verificadas em 14 de nov. de 2026.