Zyphra lança síntese de voz no navegador com latência inferior a 570 ms no Pixel 9
Um assistente de voz pode ler respostas diretamente no celular: a Zyphra lançou o ZONOS3-Mini, que roda no navegador via WebGPU. A empresa informa um tempo até o primeiro áudio inferior a 570 ms no Pixel 9 e a 150 ms no MacBook Air M3. O modelo clona vozes a partir de gravações e permite ajustar a interpretação de palavras específicas. Para equipes de produto, é uma oportunidade de testar a síntese de voz local nos próprios dispositivos.
Processado por IA de TG: @ai_machinelearning_big_data (Machinelearning); editado por Hamidun News
Quando um assistente de voz já gerou a resposta, mas continua em silêncio, o usuário percebe cada pausa. Uma forma de reduzir a espera é sintetizar a voz no próprio dispositivo. A Zyphra lançou o ZONOS3-Mini: segundo as medições da empresa, o primeiro áudio chega em menos de 570 ms no navegador de um Pixel 9 e em menos de 150 ms em um MacBook Air com M3. Um aplicativo educacional, por exemplo, pode ler dicas diretamente no celular. Vale o desenvolvedor verificar se essa opção atende aos requisitos da interface. Anúncio da Zyphra.
Primeiro, uma correção à publicação original no Telegram: a afirmação de que são “nove idiomas, sem russo” diverge da documentação atual. A ficha do modelo lista 43 idiomas, incluindo o russo. Mas a presença de um idioma na lista ainda não esclarece a qualidade da pronúncia de sobrenomes, abreviações e números no seu produto. Ficha do modelo.
Como isso pode ajudar no produto
Imagine um aplicativo para aprender inglês. O usuário responde a uma pergunta, recebe uma correção e ouve um exemplo de pronúncia. Se a síntese de voz funcionar localmente, a equipe pode eliminar a chamada a um serviço externo nessa etapa. Quanto isso acelera a conversa inteira também depende das outras partes do sistema: reconhecimento de fala, geração da resposta e preparação do texto.
O ZONOS3-Mini consegue clonar uma voz a partir de uma amostra e alterar suas características: idade aparente, sotaque e timbre. É possível controlar a emoção, o ritmo e a interpretação de palavras específicas. Em um jogo, isso permite testar diferentes entonações de um personagem para a mesma fala; no ensino, destacar com a voz uma palavra que o aluno errou. São recursos anunciados cuja qualidade precisa ser avaliada ouvindo os resultados. Descrição dos recursos.
O teste prático é bastante simples: usar textos reais da interface e comparar várias versões de áudio em um teste cego. Peça aos colegas que avaliem a inteligibilidade, a naturalidade das pausas e a adequação da entonação. Exemplos difíceis são especialmente úteis: o nome longo de um plano, um valor acompanhado da moeda, um endereço ou uma frase em russo com um termo em inglês.
O que está por trás de Mini
O modelo tem 800 milhões de parâmetros, mas apenas cerca de 100 milhões são ativados a cada etapa de processamento. Ele usa uma arquitetura de mistura de especialistas (MoE), que distribui os cálculos entre blocos especializados. Isso ajuda a reduzir o trabalho durante a geração, mas o modelo ainda precisa ser carregado e armazenado. O número de parâmetros ativos, por si só, não indica quanta memória o aplicativo vai ocupar. Descrição técnica.
Há várias opções de integração. O repositório inclui uma versão para navegador via WebGPU, um servidor para NVIDIA, uma versão com MLX para Apple Silicon e uma implementação em C++/ggml. Os servidores compartilham uma API HTTP e oferecem transmissão de áudio em streaming. A equipe pode começar com um protótipo no navegador e depois compará-lo com um servidor local no hardware de destino. Código e instruções.
A execução no navegador exige um download inicial do modelo; depois disso, os arquivos ficam em cache. Por isso, o produto precisa de duas medições separadas: a primeira visita de um novo usuário e uma abertura posterior do aplicativo. A geração rápida após o carregamento não garante uma primeira inicialização igualmente rápida. Instruções para o navegador.
O que testar antes da implementação
As latências publicadas são resultados da própria Zyphra em dispositivos específicos. Devem servir como referência para os seus testes. Verifique o tempo até o primeiro áudio, a reprodução contínua de respostas longas, o consumo de memória e o comportamento do celular após vários minutos de uso. Avalie separadamente o que acontece ao alternar entre abas e executar outras cargas de trabalho ao mesmo tempo.
Para usos em russo, a preparação do texto é especialmente importante. A documentação lista nove idiomas com normalização específica; os demais são enviados ao modelo como estão escritos. O russo não está entre esses nove. Portanto, a conversão de datas, valores monetários e abreviações deve fazer parte dos testes de integração. Descrição do processamento de texto.
Os pesos foram disponibilizados sob Apache 2.0. Isso torna o modelo um candidato interessante para uma interface de voz própria, mas a decisão de implementá-lo deve vir depois de um pequeno protótipo: falas reais, dispositivos de destino e um limite mensurável de latência aceitável. A principal questão de produto é se o usuário recebe uma resposta de voz compreensível com rapidez e estabilidade suficientes. Licença dos pesos.
- 12 de nov. de 2026Google leva o Gemini Intelligence ao Android Auto — por enquanto só para o Pixel
- 12 de nov. de 2026Adobe mostra no Max quatro protótipos de IA: 3D a partir de fotos, áudio em quadrado e copiar e colar de edições
- 12 de nov. de 2026A Apple vende IA além do limite: o Logic Pro ganha um pacote de US$ 50 sem assinatura
- 12 de nov. de 2026Apple vende pacotes de limites de IA por US$ 50 avulsos — e contorna o modelo de assinatura
Perguntas frequentes sobre a notícia
Como isso pode ajudar no produto?
Imagine um aplicativo para aprender inglês. O usuário responde a uma pergunta, recebe uma correção e ouve um exemplo de pronúncia. Se a síntese de voz funcionar localmente, a equipe pode eliminar a chamada a um serviço externo nessa etapa. Quanto isso acelera a conversa inteira também depende das outras partes do sistema: reconhecimento de fala, geração da resposta e preparação do texto. O ZONOS3-Mini consegue clonar uma voz a partir de uma amostra e alterar suas características: idade aparente, sotaque e timbre.
O que está por trás de Mini?
O modelo tem 800 milhões de parâmetros, mas apenas cerca de 100 milhões são ativados a cada etapa de processamento. Ele usa uma arquitetura de mistura de especialistas (MoE), que distribui os cálculos entre blocos especializados. Isso ajuda a reduzir o trabalho durante a geração, mas o modelo ainda precisa ser carregado e armazenado. O número de parâmetros ativos, por si só, não indica quanta memória o aplicativo vai ocupar. Descrição técnica. Há várias opções de integração.
O que testar antes da implementação?
As latências publicadas são resultados da própria Zyphra em dispositivos específicos. Devem servir como referência para os seus testes. Verifique o tempo até o primeiro áudio, a reprodução contínua de respostas longas, o consumo de memória e o comportamento do celular após vários minutos de uso. Avalie separadamente o que acontece ao alternar entre abas e executar outras cargas de trabalho ao mesmo tempo. Para usos em russo, a preparação do texto é especialmente importante.
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.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.