> ## Content Index
> Fetch the complete content index at: https://study.kuadd.ai/llms.txt
> Use this file to discover other available public pages before exploring further.

# ZONOS3-Mini 三语实测：中文、英语和阿拉伯语都能读，但音色有讲究
- URL: https://study.kuadd.ai/zonos3-mini-trilingual-tts-review/
- Published: 2026-11-16T06:28:54.000Z
- Updated: 2026-11-18T10:58:59.000Z
- Description: 在 Apple M2 Max 与 RTX 4090 D 上实测 ZONOS3-Mini 的中文、英语及阿拉伯语，附三语试听和同机音色对照。阿语样本的 Whisper 字符错误率随参考声从 74.7% 降到 0%。11 月 16 日补测新增本机 Metal 的九条表达试听。
- Author: 酷AI编辑部
- Tags: AI实验室

2026 年 11 月 13 日，我们用 ZONOS3-Mini 分别合成一段中文、英语和阿拉伯语，在 Apple M2 Max 上跑通，再在 RTX 4090 D 上用同一模型版本和同一随机种子复测。GPU 生成的三条短音频都能完整解码，离线 Whisper 转录与原文规范化后一致。阿拉伯语最依赖音色条件：沿用默认英语音色时，字符错误率达到 **74.7%**，改用阿语参考声后，这段样本降到 **0%**。 11 月 16 日，我们又在 M2 Max 上补测了三种表达，每种语言各三段。九段均通过离线转录核对，表达效果留待人工听评。

## ZONOS3-Mini 是什么

这是 Zyphra 发布的轻量文字转语音模型。官方模型卡列出 43 种语言，支持文本生成语音、参考声音色和表达控制，官方标注骨干约 8 亿总参数、每个 token 约 1 亿活跃参数，输出 44.1 kHz。初测覆盖短文本和参考声，补测加入表达控制。模型权重采用 Apache-2.0，官方推理代码采用 MIT，第三方组件的许可另见仓库 NOTICE。[Zyphra 模型卡](https://huggingface.co/Zyphra/ZONOS3-Mini?ref=study.kuadd.ai) · [官方推理仓库](https://github.com/Zyphra/ZONOS3-Mini?ref=study.kuadd.ai)

## RTX 4090 D 三语结果与试听

三段各用独立 CLI 进程运行。脚本耗时包括加载权重、生成、解码和写盘。实时系数 RTF 为脚本耗时除以音频长度，低于 1 表示这段完整运行用时短于成品音频。GPU 调度从提交到归还用了 111.03 秒，包含准备和归还等开销。三段实际脚本耗时合计 9.45 秒。

__RTX 4090 D 三语实测__
| 语言与音色               | 音频时长    | 脚本耗时   | RTF  | Whisper CER |
| ------------------- | ------- | ------ | ---- | ----------- |
| 中文 · Meilin         | 6.67 秒  | 2.96 秒 | 0.44 | 0%          |
| 英语 · AmericanFemale | 7.93 秒  | 2.78 秒 | 0.35 | 0%          |
| 阿拉伯语 · Majed 参考声    | 11.60 秒 | 3.71 秒 | 0.32 | 0%          |

原始输出是 44.1 kHz、单声道、PCM 16-bit WAV。三段文件回传后与生成端 SHA-256 一致，完整解码通过，无 PCM 满幅削波。以下播放器使用同一批输出转码的 MP3。

中文 · Meilin · RTX 4090 D · 6.67 秒

0:00

/6.666667

1×

英语 · AmericanFemale · RTX 4090 D · 7.93 秒

0:00

/7.933333

1×

阿拉伯语 · Majed 参考声 · RTX 4090 D · 11.60 秒

0:00

/11.6

1×

## Apple M2 Max 本机对照

本机用官方 ggml/Metal 构建，设备为 Apple M2 Max、64 GiB 内存。同设置各跑两次。每次都单独启动并装载模型，部分首轮包含 Metal 内核编译或缓存预热。CUDA 与 Metal 的生成长度和运行路径有差异，两组数字适合各自阅读。

__Apple M2 Max Metal 对照__
| 语言与音色               | 首轮音频    | 首轮耗时 / RTF     | 复跑耗时 / RTF    | Whisper CER |
| ------------------- | ------- | -------------- | ------------- | ----------- |
| 中文 · Meilin         | 6.47 秒  | 9.71 秒 / 1.50  | 0.90 秒 / 0.14 | 3.0%        |
| 英语 · AmericanFemale | 9.07 秒  | 1.18 秒 / 0.13  | 1.03 秒 / 0.11 | 0%          |
| 阿拉伯语 · Majed 参考声    | 11.20 秒 | 10.14 秒 / 0.91 | 2.35 秒 / 0.21 | 0%          |

中文本机样本中，Whisper 把「语音」转录成了「语衣」。本机进程峰值驻留内存约 1.40–1.45 GiB，Linux 进程观测到的 CPU RSS 最大约 0.42 GiB；GPU 显存峰值尚未取得。RTX 4090 D 三段样本的峰值电平分别为 −3.04、−12.66、−3.25 dBFS，RMS 分别为 −16.38、−32.75、−16.70 dBFS。

## 阿拉伯语为什么要选对参考声

在 Metal 上输入同一段阿拉伯语文本，配官方默认英语音色时，输出长 11.20 秒，Whisper CER 是 74.7%。换成 7.42 秒的 macOS Majed 阿语系统音色后，输出同样长 11.20 秒，CER 为 0%。参考片段由系统朗读同一段测试文本生成，所以结果只覆盖本次条件，跨文本、跨参考声的稳定性仍需验证。

阿语对照 · 默认英语音色 · Metal · 11.20 秒

0:00

/11.2

1×

阿语对照 · Majed 参考声 · Metal · 11.20 秒

0:00

/11.2

1×

语言覆盖和接口参数也分两层。被测版本的官方服务端接受 10 个语言代码，直接提交 `language=ar` 得到 HTTP 400。阿拉伯语输入配 Majed 参考声，使用 `language=en_us` 的兜底规范化路径则返回 HTTP 200。同一参考声和随机种子下，HTTP 返回的 WAV 与本机 CLI 样本哈希一致。阿语的数字、日期与混合文本仍需单独验证。

## 11 月 16 日补测：三种语言 × 三种表达

11 月 16 日，我们在 M2 Max 上用同一模型和权重继续测试表达控制。三种语言分别读同一句话的各自译文，每种语言固定音色和随机种子 42，按「开心」「激昂」「播音腔调」各生成一段，共得到九条可试听样本。中文使用 Meilin，英语使用 AmericanFemale，阿拉伯语沿用 7.42 秒的 Majed 合成参考声。

- **中文**：阿拉伯语是世界上最主要的语言之一
- **阿拉伯语**：تُعد اللغة العربية واحدة من أهم اللغات في العالم.
- **英语**：Arabic is one of the most important languages in the world.

表达控制使用官方 steering 文件转换得到的 `steer.gguf`。三组参数如下。

- **开心**：`emotions.happy=4`。阿语首轮漏读句尾，最终将该值调到 3。
- **激昂**：`mood.arousal=3`、`mood.dominance=1.5`、`delivery.loud=1.5`、`expressive.expressive=4`。英语首轮有 4 个满幅采样点，最终将输出余量从 3 dB 提到 6 dB，其余样本仍用 3 dB。
- **播音腔调**：`texture.authoritative=2.5`、`room.clean=2`、`delivery.conversational=-2.5`、`mood.clarity=1.5`、`mood.articulation=1`。

__Apple M2 Max 三语三表达实测（11 月 16 日）__
| 语言   | 表达目标 | 音频时长   | CLI 耗时 | RTF  | Whisper CER | 满幅采样 |
| ---- | ---- | ------ | ------ | ---- | ----------- | ---- |
| 中文   | 开心   | 3.07 秒 | 2.30 秒 | 0.75 | 0%          | 0    |
| 中文   | 激昂   | 3.07 秒 | 0.66 秒 | 0.22 | 0%          | 0    |
| 中文   | 播音腔调 | 3.40 秒 | 0.68 秒 | 0.20 | 0%          | 0    |
| 阿拉伯语 | 开心   | 5.07 秒 | 2.08 秒 | 0.41 | 0%          | 0    |
| 阿拉伯语 | 激昂   | 5.20 秒 | 1.98 秒 | 0.38 | 0%          | 0    |
| 阿拉伯语 | 播音腔调 | 5.47 秒 | 1.99 秒 | 0.36 | 0%          | 0    |
| 英语   | 开心   | 4.80 秒 | 0.76 秒 | 0.16 | 0%          | 0    |
| 英语   | 激昂   | 4.93 秒 | 0.80 秒 | 0.16 | 0%          | 0    |
| 英语   | 播音腔调 | 4.80 秒 | 0.77 秒 | 0.16 | 0%          | 0    |

九次独立 CLI 运行累计 **12.04 秒**（RTF **0.16–0.75**）。计时包括启动、加载、生成、解码和写盘，首例还包含 Metal 内核初始化。九条 WAV 均为 44.1 kHz 单声道 PCM16，哈希与清单一致，完整解码通过。各轨 Whisper CER 均为 0%，无 PCM 满幅削波。情绪标签表示控制目标，表达是否听起来符合目标仍待人工听评。

以下试听由最终 WAV 转成 MP3，每组按开心、激昂、播音腔调排列。

### 中文试听

中文 · 开心 · 3.07 秒

0:00

/3.066666666666667

1×

中文 · 激昂 · 3.07 秒

0:00

/3.066666666666667

1×

中文 · 播音腔调 · 3.40 秒

0:00

/3.4

1×

### 阿拉伯语试听

阿拉伯语 · 开心 · 5.07 秒

0:00

/5.066666666666666

1×

阿拉伯语 · 激昂 · 5.20 秒

0:00

/5.2

1×

阿拉伯语 · 播音腔调 · 5.47 秒

0:00

/5.466666666666667

1×

### 英语试听

英语 · 开心 · 4.80 秒

0:00

/4.8

1×

英语 · 激昂 · 4.93 秒

0:00

/4.933333333333334

1×

英语 · 播音腔调 · 4.80 秒

0:00

/4.8

1×

截至验证报告记录的 **2026 年 11 月 16 日 14:12（北京时间）**，九段样本的 VM141 CUDA 复测仍在等待预检，尚无 GPU 租约或输出。上面的 RTX 4090 D 数据来自 11 月 13 日的三语初测。

## 实验口径与适用范围

- **版本与配置**：官方推理代码固定在 `bcb6661`，模型快照固定在 `f68e6e4`。加载骨干、精简解码器和说话人编码器三份 GGUF，合计约 1.08 GiB，随机种子为 42，最大生成帧数设为 240。其余采样与输出参数沿用官方默认值。
- **转录**：使用离线 Whisper Large V3 Turbo，逐轨指定识别语言。字符错误率 CER 在 Unicode NFKC、小写、去标点、去空格和去除阿拉伯文元音符号后计算。
- **结论**：本次结果支持继续做三语短句的接口 PoC。人工听感、自然度、韵律、说话人相似度、长文、并发、首包延迟和显存峰值仍待测。实验在隔离环境完成，未上线正式服务。

## 本次输入文本

- **中文**：你好，今天我们测试一个多语言语音模型。窗外阳光很好，希望这段声音清晰自然。
- **英语**：Hello. This is a short English speech test. The sun is shining outside, and I hope this voice sounds clear and natural.
- **阿拉伯语**：مرحباً. هذا اختبار قصير لتوليد الكلام باللغة العربية. الشمس مشرقة اليوم، وأتمنى أن يكون الصوت واضحاً وطبيعياً.