ZONOS2 setzt auf eine Sparse-Mixture-of-Experts-Architektur, bei der von 8B Gesamtparametern zur Inferenzzeit nur 900M aktiv sind – ein Designprinzip, das hohe Modellkapazität mit vertretbarem Rechenaufwand verbindet und Echtzeit-TTS auf Consumer-Hardware ermöglichen soll. Für die Audiogenerierung prognostiziert das Modell Descript Audio Codec (DAC)-Tokens bei 44,1 kHz, was Studio-Qualität verspricht, aber höhere Modellierungsanforderungen stellt als gängige Low-Quality-Codec-Setups. Statt eines klassischen Phonemizers verarbeitet ZONOS2 rohe UTF-8-Bytes direkt, was laut Zyphra besonders für Sprachen wie Chinesisch, Koreanisch und Japanisch sowie für Code-Switching innerhalb eines Satzes Vorteile bringt. Das Trainingsvolumen wurde von rund 200.000 auf über 6 Millionen Stunden Audio massiv ausgebaut; ein mehrstufiges Daten-Filtering mit steigender Transkript-Übereinstimmungsstrenge soll Halluzinationen, Aussprachefehlern und Wiederholungen entgegenwirken. Im hauseigenen TTSDS-Prosody-Benchmark erreicht ZONOS2 8B einen Score von 88,7 und liegt damit vor Konkurrenzmodellen wie Qwen 3 TTS (87,6), Inworld TTS 2 (87,5) und ElevenLabs V3 (83,2). Zyphra stellt gleichzeitig ZTTS1-Eval als neues Open-Source-Benchmark-Framework vor, das bis zu 17 Sprachen abdeckt und moderne Evaluierungsmodelle wie Qwen3-ASR, ReDimNet und MSR-UTMOS sowie Prosodiekennzahlen integriert. Modellgewichte und Inferenzcode sind unter Apache 2.0 frei verfügbar; zusätzlich bietet Zyphra Cloud einen gehosteten Zugang auf AMD-Hardware an.