En vivo 18.11 · Cohorte 318 nov, 19:00 MSK — taller práctico gratuito de agentes IA · Cohorte 3 en vivo inicia 23.11Taller 18 nov →Cohorte 3 (23.11)

Zyphra lanza síntesis de voz en el navegador con una latencia inferior a 570 ms en el Pixel 9

Un asistente de voz puede leer sus respuestas directamente en el teléfono: Zyphra ha lanzado ZONOS3-Mini, que se ejecuta en el navegador mediante WebGPU. La empresa afirma que el tiempo hasta el primer sonido es inferior a 570 ms en el Pixel 9 y a 150 ms en el MacBook Air M3. El modelo clona voces a partir de grabaciones y permite ajustar la interpretación de palabras concretas. Para los equipos de producto, es una oportunidad de probar la síntesis de voz local en sus propios dispositivos.

Procesado por IA desde TG: @ai_machinelearning_big_data (Machinelearning); editado por Hamidun News
Zyphra lanza síntesis de voz en el navegador con una latencia inferior a 570 ms en el Pixel 9
Fuente: TG: @ai_machinelearning_big_data (Machinelearning). Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalTG: @ai_machinelearning_big_data (Machinelearning) ↗
Editor jefe
Dato clave #1Los pesos están disponibles bajo Apache 2.0; hay opciones para navegador y servidor.
Dato clave #2La ficha actual enumera 43 idiomas, incluido el ruso: la publicación original ha quedado desactualizada.
Dato clave #3Zyphra midió la latencia por su cuenta; la carga del modelo debe evaluarse por separado.

Cuando un asistente de voz ya ha generado una respuesta, pero sigue en silencio, el usuario percibe cada pausa. Una forma de reducir la espera es sintetizar la voz en el propio dispositivo. Zyphra ha lanzado ZONOS3-Mini: según las mediciones de la empresa, el primer sonido llega en menos de 570 ms en el navegador de un Pixel 9 y en menos de 150 ms en un MacBook Air con M3. Por ejemplo, una aplicación educativa podría leer las pistas directamente en el teléfono. Conviene que el desarrollador compruebe si esta opción cumple los requisitos de su interfaz. Anuncio de Zyphra.

Antes de nada, una corrección a la publicación original de Telegram: la afirmación «nueve idiomas, sin ruso» contradice la documentación actual. La ficha del modelo enumera 43 idiomas, incluido el ruso. Sin embargo, que un idioma figure en la lista no aclara hasta qué punto el modelo pronuncia bien los apellidos, las abreviaturas y los números de tu producto. Ficha del modelo.

Cómo puede servir en un producto

Imaginemos una aplicación para aprender inglés. El usuario responde a una pregunta, recibe una corrección y escucha un ejemplo de pronunciación. Si la síntesis de voz se ejecuta en local, el equipo puede eliminar la llamada a un servicio externo en esta etapa. Cuánto se agilice la conversación completa también dependerá del resto del sistema: el reconocimiento de voz, la generación de respuestas y la preparación del texto.

ZONOS3-Mini puede clonar una voz a partir de una muestra y modificar sus características: la edad aparente, el acento y el timbre. Permite controlar la emoción, el ritmo y la interpretación de palabras concretas. En un videojuego, esto permite probar distintas entonaciones de un personaje para una misma frase; en educación, destacar con la voz una palabra en la que el alumno se ha equivocado. Son capacidades anunciadas cuya calidad debe evaluarse escuchando los resultados. Descripción de las funciones.

La prueba práctica es bastante sencilla: tomar textos reales de la interfaz y comparar a ciegas varias versiones de audio. Pedir a los compañeros que valoren la inteligibilidad, la naturalidad de las pausas y si la entonación resulta adecuada. Los ejemplos difíciles son especialmente útiles: el nombre largo de un plan, un importe con su moneda, una dirección o una frase en ruso que incluya un término en inglés.

Qué hay detrás de Mini

El modelo tiene 800 millones de parámetros, pero en cada paso de procesamiento solo se activan unos 100 millones. Utiliza una arquitectura de mezcla de expertos (MoE), que distribuye los cálculos entre bloques especializados. Esto ayuda a reducir el trabajo durante la generación, aunque sigue siendo necesario cargar y almacenar el modelo. El número de parámetros activos, por sí solo, no indica cuánta memoria ocupará la aplicación. Descripción técnica.

Hay varias vías de integración. El repositorio incluye una versión para navegador mediante WebGPU, un servidor para NVIDIA, una versión con MLX para Apple Silicon y una implementación en C++/ggml. Los servidores comparten una API HTTP y admiten la transmisión de audio en streaming. El equipo puede empezar con un prototipo en el navegador y después compararlo con un servidor local en el hardware de destino. Código e instrucciones.

La ejecución en el navegador requiere descargar inicialmente el modelo; después, los archivos se guardan en caché. Por eso, el producto necesita dos mediciones independientes: la primera visita de un usuario nuevo y una apertura posterior de la aplicación. Una generación rápida tras la carga no garantiza un primer inicio igual de rápido. Instrucciones para el navegador.

Qué comprobar antes de implementarlo

Las latencias publicadas son resultados obtenidos por la propia Zyphra en dispositivos concretos. Conviene tomarlas como referencia para las pruebas propias. Comprueba el tiempo hasta el primer sonido, la reproducción sin interrupciones de respuestas largas, el consumo de memoria y el comportamiento del teléfono tras varios minutos de uso. Evalúa por separado qué ocurre al cambiar de pestaña y al ejecutar otras cargas de trabajo al mismo tiempo.

En los casos de uso en ruso, la preparación del texto es especialmente importante. La documentación enumera nueve idiomas con normalización específica; los demás se envían al modelo tal como están escritos. El ruso no figura entre esos nueve. Por tanto, la conversión de fechas, importes y abreviaturas debe incluirse en las pruebas de integración. Descripción del procesamiento de texto.

Los pesos se publican bajo Apache 2.0. Esto convierte al modelo en un candidato interesante para una interfaz de voz propia, pero conviene decidir su implementación después de crear un pequeño prototipo: frases reales, dispositivos de destino y un umbral medible de latencia aceptable. La pregunta central para el producto es si el usuario recibe una respuesta de voz comprensible con suficiente rapidez y estabilidad. Licencia de los pesos.

Historia

Preguntas frecuentes sobre la noticia

Cómo puede servir en un producto?

Imaginemos una aplicación para aprender inglés. El usuario responde a una pregunta, recibe una corrección y escucha un ejemplo de pronunciación. Si la síntesis de voz se ejecuta en local, el equipo puede eliminar la llamada a un servicio externo en esta etapa. Cuánto se agilice la conversación completa también dependerá del resto del sistema: el reconocimiento de voz, la generación de respuestas y la preparación del texto.

¿Qué se sabe sobre Qué hay detrás de Mini?

El modelo tiene 800 millones de parámetros, pero en cada paso de procesamiento solo se activan unos 100 millones. Utiliza una arquitectura de mezcla de expertos (MoE), que distribuye los cálculos entre bloques especializados. Esto ayuda a reducir el trabajo durante la generación, aunque sigue siendo necesario cargar y almacenar el modelo. El número de parámetros activos, por sí solo, no indica cuánta memoria ocupará la aplicación. Descripción técnica. Hay varias vías de integración.

¿Qué se sabe sobre Qué comprobar antes de implementarlo?

Las latencias publicadas son resultados obtenidos por la propia Zyphra en dispositivos concretos. Conviene tomarlas como referencia para las pruebas propias. Comprueba el tiempo hasta el primer sonido, la reproducción sin interrupciones de respuestas largas, el consumo de memoria y el comportamiento del teléfono tras varios minutos de uso. Evalúa por separado qué ocurre al cambiar de pestaña y al ejecutar otras cargas de trabajo al mismo tiempo.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
¿Qué te parece?
Cargando comentarios…