この記事のポイント
- Zonos は Zyphra 社がオープンソース（Apache-2.0）で公開した2Bパラメータの高品質 TTS モデルで、44kHz の音声を出力します
- 感情制御パラメータ（喜び・悲しみ・怒り等8種）と話速・ピッチを Python から数値で指定できます
- Ubuntu 24.04.4 LTS + Python 3.12.3 で動作します。
espeak-ngのインストールが必要です - GPU 6GB+ VRAM を推奨。CPU でも動きますが非常に遅いため、インタラクティブ用途には GPU を使ってください
- Gradio WebUI が付属しており、
python gradio_interface.pyだけで操作画面が立ち上がります
Zonos は Zyphra 社が GitHub で公開している音声合成モデルです。2025年2月のリリース以来 GitHub スター数は 7.2k を超え、HuggingFace では月間 9,372 ダウンロードを記録しています。話題の理由は 感情制御と高い音声品質を同時に実現している点で、商用 TTS サービスと同水準以上の音質を謳っています。
この記事では Ubuntu 24.04.4 LTS で Zonos をインストールして動かすまでの手順を、コマンドとその出力を含めて紹介します。
Zonos とは
Zonos は「ゼロショット音声クローニング」と「感情制御」を組み合わせた TTS モデルです。ひとことで言うと 10〜30秒の参照音声を渡すだけで、その人の声で任意のテキストを読み上げてくれるライブラリです。
README によると 20万時間以上の多言語音声データで学習しており、日本語（言語コード: ja）のほか英語・中国語・フランス語・ドイツ語も公式にサポートします。conditioning.py のソースコードを直接確認したところ、実際には 70以上の言語コードが定義されていました。
出力はネイティブで 44.1kHz。RTX 4090 では実時間比 2x（1秒の計算で2秒の音声）と記載されており、対話的な使用に耐えられる速度が出ます。
システム要件
GPU が必須ではないが強く推奨
Zonos は CPU でも動作しますが、公式 README には「非常に遅く、インタラクティブな用途には向かない」と明記されています。セルフホストで実用的に使うには 6GB 以上の VRAM を持つ GPU を用意してください。
- OS: Linux（Ubuntu 22.04/24.04 推奨）/ macOS
- GPU: VRAM 6GB 以上（Hybrid モデルは RTX 3000番台以降が必要）
- Python: 3.10 以上（Ubuntu 24.04 では 3.12.3）
- システム依存:
espeak-ng（音素変換ライブラリ）
今回は Ubuntu 24.04.4 LTS で動作確認しました。docker exec で実行した結果、Ubuntu 24.04 には python3 3.12.3 が同梱されています。
Description: Ubuntu 24.04.4 LTS
Release: 24.04
Codename: noble
$ python3 –version
Python 3.12.3
Ubuntu へのインストール手順
①前提パッケージをインストールする
Zonos は espeak-ng を使って音素変換（テキスト→音素列への変換）を行います。このライブラリが入っていないと pip install は通っても実行時エラーが出ます。まず apt で入れてしまいましょう。
Reading package lists… Done
The following NEW packages will be installed:
espeak-ng espeak-ng-data git python3-pip python3-venv
Setting up espeak-ng (1.51+dfsg-13) …
Setting up python3-pip (24.0+dfsg-1ubuntu1.1) …
正直なところ、Ubuntu 24.04 で pip install をいきなり実行すると PEP 668 の「externally-managed-environment」エラーが出ます。これは Ubuntu がシステム Python を保護しているためです。次の手順で仮想環境（venv）を先に作ります。
② Zonos を GitHub からクローンする
Zonos は PyPI に登録されていないため、GitHub からソースコードを取得します。
Cloning into ‘Zonos’…
remote: Counting objects: 100% (231/231), done.
Receiving objects: 100% (231/231), 2.84 MiB | 12.3 MiB/s, done.
$ cd Zonos
③ Python 仮想環境を作って pip install する
Zonos は PyTorch など重い依存がありますが、pip install -e . 一発でまとめてインストールできます。仮想環境の作成を忘れずに。
$ source .venv/bin/activate
(.venv) $ pip install -e .
Collecting torch>=2.0
Collecting torchaudio>=2.0
Collecting transformers
Collecting huggingface-hub
…
Successfully installed zonos-0.1.0 torch-2.12.1 torchaudio-2.11.0
transformers-5.12.1 huggingface-hub-1.20.1 gradio-6.19.0 …
注意: ダウンロードサイズについて
PyTorch のダウンロードは CPU 版でも 200MB 以上、CUDA 版だと 2GB を超えます。また、初回実行時に HuggingFace からモデルの重みファイル（約 4GB）もダウンロードされます。ストレージを 10GB 以上確保してから始めてください。
Gradio WebUI を起動する
Zonos にはすぐに使える Gradio インターフェースが同梱されています。
Loading model Zyphra/Zonos-v0.1-transformer …
Running on local URL: http://127.0.0.1:7860
ブラウザで http://localhost:7860 を開くと、テキスト入力・参照音声アップロード・感情スライダーなどが並んだ操作画面が表示されます。テキストボックスに日本語を入力し、[Generate] を押すだけで音声生成が始まります。
公開デモは playground.zyphra.com にありますが、アカウント登録が必要です。セルフホストなら登録なしで無制限に使えます。
Python API から音声を生成する
スクリプトから生成するには、sample.py が最小の参考になります。make_cond_dict() にテキスト・話者・言語を渡すだけです。
import torch, torchaudio
from zonos.model import Zonos
from zonos.conditioning import make_cond_dict
model = Zonos.from_pretrained(
“Zyphra/Zonos-v0.1-transformer”, device=”cuda”)
wav, sr = torchaudio.load(“assets/exampleaudio.mp3”)
speaker = model.make_speaker_embedding(wav, sr)
cond = make_cond_dict(
text=”こんにちは、Zonos です。”,
speaker=speaker,
language=”ja”
)
codes = model.generate(model.prepare_conditioning(cond))
wavs = model.autoencoder.decode(codes).cpu()
torchaudio.save(“output.wav”, wavs[0],
model.autoencoder.sampling_rate)
# → output.wav（44.1kHz WAV）が生成される
device="cuda" を device="cpu" に変えれば GPU なしでも動きます。ただし CPU モードは非常に遅く、5秒の音声生成に数分かかることがあります。
感情制御パラメータの使い方
make_cond_dict() の emotion 引数は 8次元のリストです。conditioning.py のソースコードに定義されているデフォルト値と各感情の順番を確認しました。
たとえば「明るい音声」を生成したい場合は happiness（インデックス0）を高く、neutral（インデックス7）を低くします。
cond = make_cond_dict(
text=”今日はいい天気ですね！”,
speaker=speaker,
language=”ja”,
emotion=[0.8, 0.0, 0.0, 0.0, 0.0, 0.0, 0.1, 0.1],
# ^H ^Sa ^Di ^Fe ^Su ^An ^Ot ^Ne
pitch_std=45.0, # 表情豊かに
speaking_rate=15.0, # 標準的な速さ
)
ポイントは emotion リストの合計を 1.0 に近くすること。conditioning.py のコメントに「感情値が高いほど pitch_std との連動でピッチ変動が大きくなる」とあります。静かなナレーションを作りたいときは emotion のデフォルト値のまま、pitch_std=20 以下にするとよいです。
Transformer モデルと Hybrid モデルの違い
Zonos には現在2種類のモデルが公開されています。初めて使う場合は Transformer モデル を選んでください。GPU の世代制約がないため、古い GPU でも動きます。
Hybrid モデルは Mamba アーキテクチャを組み合わせたもので、mamba-ssm ライブラリが必要です。インストール時に pip install --no-build-isolation -e .[compile] を追加実行する必要があり、Triton のコンパイルが走るため初回設定に時間がかかります。RTX 3000番台以降の GPU を持っている方はぜひ試してみてください。
よくあるエラーと解決策
①「error: externally-managed-environment」が出る
Ubuntu 24.04 では pip のシステムパッケージ保護が有効になっています。python3 -m venv .venv && source .venv/bin/activate で仮想環境を作ってから pip install -e . してください。
②「espeak: not found」または音素変換エラー
Zonos の音素変換は espeak-ng に依存します。sudo apt install espeak-ng を忘れないようにしてください。これだけで解決するケースがほとんどです。
③「CUDA out of memory」
モデルのデフォルトはフル精度の BF16 で動作します。VRAM が 6GB ギリギリの場合、他のプロセスが GPU を使っていると OOM になります。nvidia-smi で他のプロセスを確認してから実行してください。
④ CPU モードで生成が異常に遅い
これは仕様です。CPU モードは「とりあえず動くことを確認する」用途にとどめてください。実用的な速度を出すには GPU が必要です。https://linuxlab.jp/ubuntu-server-setup/ のような GPU 搭載 VPS を検討する価値があります。
まとめ
Ubuntu 24.04.4 LTS での Zonos のインストールは、espeak-ng のインストールと Python venv の作成さえ押さえれば、あとは pip install -e . 一発です。感情制御パラメータは conditioning.py の make_cond_dict() で定義されており、happiness・sadness など8次元のリストを 0.0〜1.0 で指定します。
- PyPI JSON API で確認した torch の最新版は 2.12.1、gradio は 6.19.0（2026-06-21 時点）
- HuggingFace モデルカードには 2B パラメータ・BF16・Apache-2.0 と記載
- RTX 4090 では実時間比 2x の速度（公式 README 記載）
- Transformer モデルは GPU 世代制約なし。初めてなら
Zyphra/Zonos-v0.1-transformerから始めるのが無難です
コメント