Zonos-v0.1-हाइब्रिड Zyphra द्वारा विकसित एक ओपन-सोर्स टेक्स्ट-टू-स्पीच मॉडल है जो टेक्स्ट प्रॉम्प्ट के आधार पर अत्यधिक प्राकृतिक आवाज उत्पन्न कर सकता है। यह मॉडल बड़े पैमाने पर अंग्रेजी भाषा के ध्वनि डेटा पर प्रशिक्षित किया गया है, जिसमें eSpeak का उपयोग टेक्स्ट सामान्यीकरण और ध्वनि वर्ण विच्छेदन के लिए किया जाता है, और फिर ट्रांसफॉर्मर या मिश्रित बैकबोन नेटवर्क द्वारा DAC टोकन की भविष्यवाणी की जाती है। यह अंग्रेजी, जापानी, चीनी, फ्रेंच और जर्मन सहित कई भाषाओं का समर्थन करता है, और उत्पन्न आवाज की गति, स्वर, ऑडियो गुणवत्ता और भावनाओं आदि पर बारीक नियंत्रण किया जा सकता है। इसके अतिरिक्त, इसमें ज़ीरो-शॉट वॉयस क्लोनिंग की क्षमता है, जिसमें केवल 5 से 30 सेकंड के वॉयस सैंपल के साथ ही उच्च-निष्ठा वॉयस क्लोनिंग संभव है। RTX 4090 पर इसका रीयल-टाइम कारक लगभग 2 गुना है, जो इसे काफी तेज़ बनाता है। इसमें एक उपयोग में आसान gradio इंटरफ़ेस भी है और इसे Docker फ़ाइल के माध्यम से आसानी से स्थापित और परिनियोजित किया जा सकता है। वर्तमान में, यह मॉडल Hugging Face पर उपलब्ध है और उपयोगकर्ता इसे मुफ्त में उपयोग कर सकते हैं, लेकिन उन्हें इसे स्वयं परिनियोजित करना होगा।