Zonos-v0.1-hybrid ist ein von Zyphra entwickeltes Open-Source-Modell zur Text-zu-Sprache-Synthese. Es erzeugt aus Texteingaben natürlich klingende Sprache. Das Modell wurde mit umfangreichen englischen Sprachdaten trainiert und verwendet eSpeak für die Textnormalisierung und Phonetisierung. Anschließend werden DAC-Token über einen Transformer oder ein Hybrid-Backbone-Netzwerk vorhergesagt. Es unterstützt verschiedene Sprachen, darunter Englisch, Japanisch, Chinesisch, Französisch und Deutsch, und ermöglicht eine feine Steuerung von Sprachtempo, Tonhöhe, Audioqualität und Emotionen der generierten Sprache. Darüber hinaus bietet es die Funktion des Zero-Shot-Sprachklonens, wobei nur 5 bis 30 Sekunden Sprachprobe für ein hochpräzises Sprachklon benötigt werden. Der Echtzeitfaktor auf einer RTX 4090 beträgt etwa das Doppelte, wodurch es relativ schnell läuft. Es verfügt über eine benutzerfreundliche Gradio-Oberfläche und lässt sich einfach über eine Docker-Datei installieren und bereitstellen. Das Modell ist derzeit auf Hugging Face verfügbar und kann von Nutzern kostenlos verwendet werden, erfordert aber eine eigenständige Bereitstellung.