On-device TTS Phonon od Gradium překonal za dva týdny hranici 200 000 stažení

Gradium 5. listopadu 2026 oznámilo, že jeho modely převodu textu na řeč Phonon určené pro provoz přímo v zařízení byly během prvních dvou týdnů staženy více než 200 000krát. Informovalo o tom v technickém navazujícím článku zveřejněném na Hugging Face.

Gradium uvedlo, že Phonon obsadil první místo v srozumitelnosti němčiny a španělštiny v žebříčku Open TTS Leaderboard a ve všech jazycích, které vyhodnocoval, se umístil mezi prvními třemi. Konkuroval přitom modelům až stokrát větším.

V grafu Gradium porovnávajícím 95. percentil času CPU do prvního zvuku se Phonon 31m English umístil na prvním místě s hodnotou 28 milisekund a Phonon 40m English na druhém místě s hodnotou 38 milisekund. Pocket TTS dosáhl 165 milisekund. Nižší hodnoty jsou lepší. Čas do prvního zvuku udává, jak dlouho uživatel čeká, než lze přehrát řeč, a je proto přímo důležitý pro hlasové agenty a další interaktivní aplikace.

Co žebříčky měří

Navazující článek popisuje vyhodnocování ve 23 jazycích, které zahrnuje srozumitelnost, převrácený faktor reálného času, čas do prvního zvuku a automatizované ukazatele přirozenosti. U klonování hlasu se navíc měří podobnost hlasu. Metodika žebříčku Hugging Face počítá srozumitelnost porovnáním přepisů vytvořených automatickým rozpoznáváním řeči s původními zadáními, a to pomocí míry chybovosti slov nebo znaků.

Testy streamování probíhají vždy s jednou promluvou, za použití běžných zadání a stejného hardwaru. U modelů bez rozhraní pro streamování zahrnuje měření dobu potřebnou k vygenerování celé promluvy, protože přehrávání nemůže začít dříve. Při samostatném vyhodnocování klonování hlasu se porovnávají reprezentace mluvčího získané z vygenerovaného zvuku a referenční nahrávky.

Hugging Face upozorňuje, že míra chybovosti založená na rozpoznávání řeči je pouze nepřímým ukazatelem srozumitelnosti, zatímco podobnost reprezentací odhaduje míru zachování hlasové identity. Ani jedno měření přímo neprokazuje přirozenost či expresivitu řeči ani preference posluchačů, takže automatizované žebříčky nenahrazují testování lidských preferencí. Karta Poslech návštěvníkům umožňuje porovnat vygenerované výstupy, na nichž jsou metriky založeny, a hlasovat o nich.

Otevřené váhy a obchodní podmínky

Příslušné váhy byly zveřejněny jako otevřené 20. října 2026, takže nové oznámení přináší aktualizaci o prvním nasazení a vyhodnocování, nikoli představení samostatného nového modelu. Stránka modelu Phonon 31m English uvádí 64,5 MB vah kvantizovaných na 8 bitů, které jsou k dispozici pod licencí Apache 2.0 umožňující komerční využití.

Varianty 40m mají 74,6 MB kvantizovaných vah a pokrývají angličtinu, francouzštinu, němčinu, španělštinu a portugalštinu. Jsou dostupné jako samostatné jazykové kontrolní body nebo jako jeden vícejazyčný model a podléhají licenci CC BY-NC 4.0. U komerčních produktů založených na těchto kontrolních bodech pro nekomerční použití stanovuje Gradium licenční poplatky podle počtu uživatelů, nikoli podle objemu vygenerované řeči.

Phonon vytváří monofonní zvuk s frekvencí 24 kHz a dokáže streamovat řeč, zatímco její generování pokračuje. Je určen pro offline asistenty, nástroje pro přístupnost, hry a interaktivní aplikace, které nemohou čekat na přenos dat do cloudu a zpět; text přitom zůstává v zařízení uživatele. K dispozici je více než 100 vestavěných hlasů. Gradium Studio také dokáže se souhlasem mluvčího naklonovat hlas z krátké nahrávky nebo vytvořit hlas podle textového popisu, který lze stáhnout a používat lokálně.

Možnosti nasazení a omezení

Běhové prostředí ptts od Gradium je napsáno v jazyce Rust a nevyžaduje PyTorch. Podporuje výpočetní prostředí CPU, GPU a NPU a technologie Intel, Arm, WebAssembly, CUDA, Vulkan, Metal, WebGPU, Apple Core ML i podporovaný hardware Snapdragon. Jeho balíčky umožňují integraci do prohlížečů, mobilních zařízení, počítačů i místních serverů.

Phonon je dostupný také v knihovně Transformers od verze 5.21 jako referenční implementace v PyTorch. Zatímco ptts se zaměřuje na jediný stream přímo v zařízení, Transformers cílí na vysokou propustnost GPU pomocí dávkového generování a úplného výpočetního grafu torch.compile. Dokumentace ke knihovně Transformers popisuje kauzální transformátor, který vytváří spojité zvukové latentní reprezentace o 32 rozměrech s frekvencí 12,5 Hz; ty se následně dekódují na zvuk s frekvencí 24 kHz. Hlasy jsou reprezentovány předpočítanými latentními vektory mluvčího o 512 rozměrech.

Kvůli těmto vlastnostem je nutné část integrace řešit mimo samotný kontrolní bod. Kodek pro mluvčího nebyl zveřejněn a zvukový tokenizér umí pouze dekódovat, takže Transformers nedokáže klonovat hlasy přímo z nahrávek. Jeho tokenizér také neumí rozepisovat čísla, částky, symboly ani adresy tak jako běhové prostředí Gradium. Dlouhé vstupy se rozdělují na věty, takže se prozodie nemůže přenášet přes celý text.

Volba způsobu nasazení je tedy jasná: ptts zajišťuje soukromý stream pro jednoho uživatele na jeho zařízení, zatímco Transformers umožňuje dávkovou syntézu na GPU. V obou případech je vedle samotného kontrolního bodu součástí integrace také příprava hlasu a zpracování čísel, symbolů a adres s ohledem na jazyk.