ZONOS3-Mini sin conexión, clonación de voz, 43 idiomas
Dobla tus subtítulos en 43 idiomas con ZONOS3-Mini, de Zyphra, con una de 27 voces o con la propia voz de cada hablante clonada a partir de unos segundos del vídeo. Funciona en el procesador de tu propio ordenador, unas dos veces más rápido que el tiempo real, sin tarjeta gráfica.
Ajustes Complementos ZONOS3-Mini (offline, voice clone, 43 languages) Instalar
Subtitld lo descarga, comprueba su SHA-256 y lo mantiene actualizado.
- Idiomas
- 43
- Modelos
- 2
- Voces
- 28
- Descarga del complemento
- 19–24 MB
- RAM, como mínimo
- 2 GB
Qué hace
Del árabe, el bengalí y el búlgaro al turco, el urdu y el vietnamita, incluidos el japonés, el coreano, el mandarín, el hindi y otros ocho idiomas de la India. Los números, las fechas, los precios y las unidades se leen según la gramática propia de cada idioma.
Subtitld recorta del vídeo una muestra de cada hablante y la envía con cada línea. ZONOS3-Mini clona esa voz en cualquiera de sus idiomas. O elige una de 27 voces.
Cada línea se comprueba mientras se dice, para que no se salte ninguna palabra, y se detiene cuando el texto ya se ha leído en lugar de seguir con palabras que no están en el subtítulo.
El modelo se descarga una sola vez, la primera vez que una línea lo necesita. A partir de ahí, nada sale de tu ordenador.
Antes de instalar
- Disco: 1115 MB para el modelo, que se descarga con la primera línea, y 45 MB más la primera vez que usas la propia voz de un hablante.
- Memoria: unos 1,6 GB mientras habla.
- Tiempo: en un Intel Core i7-13700T, un segundo de voz tarda alrededor de medio segundo en generarse. La primera línea espera unos 4 segundos más mientras se carga el modelo, y la primera línea con la propia voz de un hablante unos 5 segundos más mientras se aprende la voz.
- Procesador: un procesador Intel o AMD de 64 bits con AVX2 (Intel desde 2013, AMD desde 2015), o Apple Silicon. No se usa la tarjeta gráfica.
Voces
En la pestaña Hablantes, elige ZONOS3-Mini como Motor de doblaje de un hablante y luego elige una Voz. Activa Ajustar el doblaje a la duración del subtítulo para que cada línea de ese hablante se estire o se comprima hasta su subtítulo.
28 voces.
| Grabada en | Mujeres | Hombres |
|---|---|---|
| Inglés | Imogen (británica), Morgana (bruja), Sakura (anime), Savannah (estadounidense), Willow (ASMR) | Cillian (irlandés), Jett (enérgico), Rupert (británico), Thaddeus (locutor), Wyatt (estadounidense) |
| Francés | Gaspard | |
| Alemán | Liesel | Wolfgang |
| Hindi | Ananya | Arjun |
| Italiano | Ginevra | Lorenzo |
| Coreano | Seoyeon | Minjun |
| Mandarín | Meilin (enérgica) | Haoran (enérgico) |
| Portugués | Leonor | Thiago |
| Español | Ximena | Rodrigo |
| Telugu | Sravya | Chaitanya |
Son las voces predeterminadas de la propia Zyphra. Todas las voces hablan todos los idiomas, pero con el acento del idioma en que se grabaron, y en otro idioma ese acento puede ser fuerte: una voz inglesa hablando ruso cuesta de seguir. Para un idioma que no tiene voz propia aquí, usa la propia voz del hablante.
Con Speaker's own voice, Subtitld recorta una muestra de ese hablante del audio del proyecto, de uno de sus subtítulos o de varios cortos unidos. Si separaste la música de la voz en este vídeo, la muestra sale solo de la voz. El Fallback reference clip de los ajustes del complemento solo se usa cuando no se puede recortar ninguna muestra.
ZONOS3-Mini escucha hasta un minuto de la muestra y copia la voz, no las palabras ni su forma de decirlas. La mejor muestra es voz limpia y cerca del micrófono: el ruido y el eco hacen que el clon se parezca menos al hablante, y una grabación de teléfono da una voz que suena a teléfono.
Modelos
El modelo no viene dentro del complemento: se descarga en la caché de modelos compartida de Subtitld la primera vez que una línea lo necesita, desde el repositorio de Zyphra en Hugging Face en una revisión fija, con cada archivo comprobado. Una descarga interrumpida continúa donde se quedó. Actualizar o quitar el complemento lo conserva.
| Modelo | Descarga | Ideal para |
|---|---|---|
| ZONOS3-Mini (backbone Q4/Q8 + waveform decoder, GGUF) Predeterminado zonos3-mini | Cada línea, en cada idioma y con cada voz | |
| ZONOS3-Mini speaker encoder (voice cloning) zonos3-speaker-encoder | La propia voz del hablante, la primera vez que doblas una |
El complemento ejecuta el propio motor ggml de Zyphra, el mismo código que el servidor local de Zyphra, integrado en el complemento sin PyTorch.
Si se le deja solo, el modelo a veces sigue hablando después de una línea corta y añade unas palabras que no están en el subtítulo. Por eso cada línea se ejecuta bajo LACI, la comprobación de alineación de Zyphra: sigue qué parte del texto se está diciendo, repite un pasaje saltado o atascado y detiene la línea en cuanto el texto se ha leído. Después, el complemento corta la línea en el primer silencio tras ese punto. Ese corte es una regla propia del complemento, no de Zyphra. En nuestra prueba con líneas de subtítulos cortas, 61 de 64 salieron limpias de esta forma, frente a 37 de 64 sin ella. Una línea que sale en silencio se vuelve a generar.
Opciones
En Ajustes › Complementos › ZONOS3-Mini (offline, voice clone, 43 languages) › Configurar.
00 usa los procesadores lógicos del ordenador, como máximo 8. Más rara vez es más rápido; menos mantienen el ordenador más ágil mientras dobla.
Un clip para la voz clonada cuando Subtitld no puede recortar uno del vídeo, por ejemplo sin ningún vídeo abierto: de 5 a 20 segundos de una persona hablando, limpios, no una grabación de teléfono.
Idiomas
Árabe, bengalí, búlgaro, chino (mandarín), checo, danés, neerlandés, inglés, finés, francés, georgiano, alemán, griego, guyaratí, hebreo, hindi, húngaro, indonesio, italiano, japonés, canarés, coreano, malayo, malayalam, maratí, noruego, oriya, polaco, portugués, panyabí, rumano, ruso, eslovaco, español, sueco, tagalo, tamil, telugu, tailandés, turco, ucraniano, urdu y vietnamita. Un proyecto en cualquier otro idioma recibe un mensaje que lo indica: elige otro motor de doblaje para él.
El inglés sigue la región del proyecto: el Reino Unido, Irlanda, Australia, Nueva Zelanda, Sudáfrica y la India reciben inglés británico y cualquier otra región, inglés estadounidense. El portugués se lee como portugués de Brasil, y el francés como el francés de Francia.
enfrdeesitptjazhkoarbnbgcsdanlfikaelguhehihuidknmsmlmrnborplparorusksvtltatethtrukurvi
Plataformas
| Sistema | Descarga | Probado |
|---|---|---|
| Linux x86-64 | 19.0 MB | Doblado con el modelo real desde el archivo de la versión en AlmaLinux 8, y en CI |
| macOS (Apple silicon) | 24.0 MB | Doblado con el modelo real en CI (Apple Silicon) |
| Windows x86-64 | 18.5 MB | Doblado con el modelo real en CI |
Linux x86-64, macOS en Apple Silicon y Windows x86-64. Cada versión se compila en los tres, y en cada uno la CI instala el complemento como lo hace Subtitld, descarga el modelo y dobla líneas en seis idiomas, una línea corta y una voz clonada.
Solución de problemas
network_unavailableNo se pudo descargar el modelo. Comprueba tu conexión y vuelve a intentarlo: la descarga continúa donde se quedó.disk_fullNo hay espacio en disco suficiente para el modelo: 1115 MB, y 45 MB más para la propia voz del hablante.unsupported_languageEl idioma del proyecto no es uno de los 43, o no está definido. Defínelo en el proyecto, o elige otro motor de doblaje.unsupported_voiceEl proyecto indica una voz que esta versión no tiene. Vuelve a elegir la voz en la pestaña Hablantes.bad_paramsLa línea no tiene texto, o la voz clonada no recibió ninguna muestra: abre el vídeo, o define un Fallback reference clip. El mensaje dice cuál.out_of_memoryEl ordenador se quedó sin memoria. Cierra otros programas: ZONOS3-Mini necesita cerca de 2 GB libres.internalAlgo falló dentro del complemento; el mensaje tiene los detalles. En un procesador más antiguo sin AVX2, el mensaje lo indica.
Licencia
El complemento es Apache-2.0. Los pesos de ZONOS3-Mini y sus voces predeterminadas son Apache-2.0, y el motor de ejecución de Zyphra es MIT, así que se permite el uso comercial. La lectura del texto, zyphra-textnorm, es MIT, con gramáticas portadas de NeMo-text-processing de NVIDIA (Apache-2.0) y datos de Unicode CLDR.
Los doblajes que hagas son tuyos. Una voz clonada suena como una persona real: clona voces que tengas derecho a usar, e indica que un doblaje es sintético donde importe.
Versiones
- 26.11.1
First release. Offline text-to-speech with Zyphra's ZONOS3-Mini, on Zyphra's own ggml runtime, with no PyTorch.
- 43 languages, at 44.1 kHz.
- 27 stock voices (Zyphra's default voices). Every voice speaks every language, but with its own accent, which can be strong in another language; clone the speaker for those.
- The speaker's own voice, cloned from 5 to 20 seconds of the video.
- Numbers, dates, money and units are read out in each language's grammar (zyphra-textnorm).
- Each line is checked as it is spoken (LACI, Zyphra's alignment check) and cut at the first silence once the text is read, so short lines don't run on with extra words. The cut is this add-on's own rule.
- Runs on the CPU, about twice as fast as real time. x86-64 processors need AVX2.
- Downloads: the model (1,115 MB) on the first line, the speaker encoder (45 MB) on the first cloned voice, pinned and checked by SHA-256.
Linux builds run on glibc 2.28 and newer.
Otros complementos de Voces
-
Piper Sin conexión
158 voces sin conexión en 49 idiomas, cada una una descarga pequeña aparte.
-
Kokoro Sin conexión
54 voces sin conexión en nueve idiomas, todas de un único modelo de 82 MB.
-
Supertonic Sin conexión
Diez voces sin conexión, cada una capaz de hablar los 31 idiomas del modelo.
-
sanoTTS Sin conexión
Voces sin conexión diminutas, 28 en 14 idiomas, cada una de menos de 10 MB.
-
Parler-TTS Sin conexión
Voces en inglés que siguen una descripción escrita; 34 hablantes con nombre.
-
Qwen3-TTS Clonación
Diez idiomas, nueve voces y clonación desde 3 segundos de un hablante.
-
Coqui XTTS Clonación
Clonación de voz en 16 idiomas, con licencia de modelo no comercial.
-
F5-TTS Clonación
Solo clonación de voz, en inglés y chino; modelo no comercial.
-
VoxCPM2 Clonación
30 idiomas a 48 kHz, con la propia voz del hablante o una descrita. Pesado.
-
Pocket TTS Sin conexión
Rápido y ligero, solo CPU. 23 voces en siete idiomas europeos.
-
Sopro Clonación
La propia voz del hablante, rápido en una CPU. Cuatro idiomas.
-
KittenTTS 2 Clonación
La propia voz del hablante en 16 idiomas, en una CPU. Pesos bajo una licencia restrictiva.
-
Ming-3.0-tts Clonación
7 idiomas a 44,1 kHz: voces clonadas, integradas o descritas, con emoción. Pesado.
-
Scylla's Band Sin conexión
Catorce voces en seis idiomas, ligero y rápido en una CPU. Solo voces predefinidas.
-
Audio8 TTS Clonación
La propia voz del hablante en 11 idiomas, cantonés incluido. Lento en una CPU.
-
Inflect Sin conexión
Voz natural en inglés con un modelo diminuto, rápido en cualquier CPU.
-
Paradee Sin conexión
Cuatro voces naturales en inglés, americanas y británicas, con un solo modelo de 8,5 MB.
-
BlueTTS Clonación
Hebreo y yidis, y cinco idiomas más. La propia voz del hablante, rápido en una CPU.
-
Chatterbox Clonación
Offline TTS in 20 languages, in the speaker's own voice cloned from a few seconds of the video or in one of 8 preset…