Zyphra lance la synthèse vocale dans le navigateur avec une latence inférieure à 570 ms sur Pixel 9

Quand l'assistant vocal a déjà trouvé sa réponse mais reste silencieux, l'utilisateur remarque chaque pause. Une façon de réduire l'attente consiste à synthétiser la parole sur l'appareil lui-même. Zyphra a publié ZONOS3-Mini : selon les mesures de l'entreprise, dans le navigateur d'un Pixel 9, le premier son apparaît en moins de 570 ms, et sur un MacBook Air M3 en moins de 150 ms. Une application d'apprentissage, par exemple, peut lire ses conseils à voix haute directement sur le téléphone. Il est logique pour un développeur de vérifier si cette option répond aux exigences de son interface. Annonce de Zyphra.

Une correction s'impose d'emblée concernant le post Telegram d'origine : l'affirmation « neuf langues, pas de russe » contredit la documentation actuelle. La fiche du modèle recense 43 langues, dont le russe. Cela dit, la présence d'une langue dans la liste ne dit rien de la qualité avec laquelle le modèle prononce les noms de famille, les abréviations et les nombres dans votre produit. Fiche du modèle.

À quoi cela peut servir dans un produit

Imaginons une application d'apprentissage de l'anglais. L'utilisateur répond à une question, reçoit une correction et entend un exemple de prononciation. Si la synthèse vocale fonctionne en local, l'équipe peut supprimer de cette étape l'appel à un service externe. L'accélération de l'ensemble du dialogue dépend aussi des autres composants du système : reconnaissance vocale, génération de la réponse et préparation du texte.

ZONOS3-Mini sait cloner une voix à partir d'un échantillon et modifier ses caractéristiques : âge perçu, accent, timbre. On peut contrôler l'émotion, le tempo et la diction de mots isolés. Dans un jeu, cela permet d'essayer différentes intonations d'un personnage sur une même réplique ; dans l'apprentissage, de mettre en relief par la voix le mot sur lequel l'élève s'est trompé. Il s'agit de fonctionnalités annoncées, dont la qualité doit être évaluée à l'écoute. Description des fonctionnalités.

Le test pratique est ici assez simple : prendre de vrais textes de l'interface et comparer à l'aveugle plusieurs variantes de synthèse. Demander à des collègues d'évaluer l'intelligibilité, le naturel des pauses et la justesse de l'intonation. Les exemples délicats sont particulièrement utiles : un long nom de forfait, un montant avec devise, une adresse ou une phrase contenant un terme anglais au milieu d'une phrase russe.

Ce que cache le mot Mini

Le modèle compte 800 millions de paramètres, mais environ 100 millions sont mobilisés à chaque étape de traitement. Il utilise une architecture MoE : les calculs sont répartis entre des blocs spécialisés. Cela réduit la quantité de travail lors de la génération, mais il faut tout de même charger et stocker le modèle. Le nombre de paramètres actifs ne dit pas, à lui seul, quelle quantité de mémoire l'application occupera. Description technique.

Plusieurs voies d'intégration existent. Le dépôt contient une variante navigateur via WebGPU, un serveur pour NVIDIA, une variante MLX pour Apple Silicon et une implémentation en C++/ggml. Les serveurs utilisent une API HTTP commune ; la diffusion audio en flux continu est prévue. Une équipe peut commencer par un prototype dans le navigateur, puis le comparer à un serveur local sur le matériel cible. Code et instructions.

L'exécution dans le navigateur exige un téléchargement initial du modèle, après quoi les fichiers sont conservés en cache. Le produit nécessite donc deux mesures distinctes : la première visite d'un nouvel utilisateur et la réouverture de l'application. Une génération rapide après le chargement ne garantit pas un premier lancement aussi rapide. Instructions pour le navigateur.

Quelles vérifications avant le déploiement

Les latences publiées sont des résultats de Zyphra elle-même sur des appareils précis. Il convient de les considérer comme un repère pour votre propre test. Vérifiez le délai avant le premier son, la continuité de lecture d'une longue réplique, la consommation de mémoire et le comportement du téléphone après plusieurs minutes de fonctionnement. Examinez à part ce qui se passe lors d'un changement d'onglet et sous charge parallèle.

Pour un scénario en russe, la préparation du texte est particulièrement importante. La documentation énumère neuf langues dotées d'une normalisation spéciale ; les autres sont transmises au modèle telles qu'elles sont écrites. Le russe ne fait pas partie de ces neuf. La conversion des dates, des montants et des abréviations doit donc entrer dans la vérification de l'intégration. Description du traitement du texte.

Les poids sont publiés sous licence Apache 2.0. Cela fait du modèle un candidat intéressant pour une interface vocale maison, mais mieux vaut décider du déploiement après un petit prototype : de vraies répliques, les appareils cibles et un seuil mesurable de latence acceptable. La question produit essentielle est de savoir si l'utilisateur reçoit une réponse vocale claire, assez vite et de façon stable. Licence des poids.