Gradiums Phonon-TTS til enheder passerer 200.000 downloads på to uger

Gradium oplyste den 5. november 2026, at virksomhedens Phonon-modeller til tekst-til-tale på enheden var blevet downloadet mere end 200.000 gange i løbet af deres første to uger, i en teknisk opfølgning offentliggjort på Hugging Face.

Gradium oplyste, at Phonon lå øverst inden for forståelighed på tysk og spansk på Open TTS Leaderboard og blandt de tre bedste på alle de sprog, virksomheden evaluerede, side om side med modeller, der er op til 100 gange større.

Gradiums diagram over CPU-tid til første lyd ved 95-percentilen placerede Phonon 31m English på førstepladsen med 28 millisekunder og Phonon 40m English på andenpladsen med 38 millisekunder, mens Pocket TTS brugte 165 millisekunder. Lavere værdier er bedre. Tid til første lyd måler, hvor længe en bruger venter på tale, der kan afspilles, og er derfor direkte relevant for stemmeagenter og andre interaktive applikationer.

Hvad rangeringen måler

Opfølgningen beskriver en evaluering på tværs af 23 sprog, der dækker forståelighed, omvendt realtidsfaktor, tid til første lyd og automatiserede mål for naturlighed, suppleret med talerlighed for stemmekloning. Hugging Faces metode til ranglistens evaluering beregner forståelighed ved at sammenligne transskriptioner fra automatisk talegenkendelse med de oprindelige prompts ved hjælp af fejlprocenter for ord eller tegn.

Streamingtestene afvikles med én ytring ad gangen ved hjælp af almindelige prompts og den samme hardware. For modeller uden et streaminginterface omfatter tidsmålingen genereringen af hele ytringen, fordi afspilningen ikke kan begynde tidligere. Evalueringer af stemmekloning sammenligner separat talerindlejringer fra genereret lyd med en referenceoptagelse.

Hugging Face gør opmærksom på, at fejlprocenter baseret på talegenkendelse er en stedfortrædende måling for forståelighed, mens lighed mellem indlejringer anslår, hvor godt stemmens identitet bevares. Ingen af målingerne fastslår direkte naturlighed, udtryksfuldhed eller lytterens præference, så de automatiserede rangeringer erstatter ikke menneskelige præferencetests. Under fanen Lyt kan besøgende sammenligne de genererede lydresultater, som ligger til grund for målingerne, og stemme på dem.

Åbne vægte og kommercielle vilkår

Den underliggende udgivelse med åbne vægte fandt sted den 20. oktober 2026, så den nye offentliggørelse er en tidlig opdatering om brug og evaluering snarere end lanceringen af en særskilt model. Modelkortet for English Phonon 31m angiver 64,5 MB 8-bit-kvantiserede vægte under Apache 2.0, som tillader kommerciel brug.

40m-varianterne har 74,6 MB kvantiserede vægte og dækker engelsk, fransk, tysk, spansk og portugisisk under CC BY-NC 4.0, enten via separate kontrolpunkter for hvert sprog eller én flersproget model. For kommercielle produkter, der bygger på disse kontrolpunkter til ikke-kommerciel brug, beregner Gradium licensprisen ud fra antallet af brugere frem for mængden af genereret tale.

Phonon producerer monolyd ved 24 kHz og kan streame tale, mens genereringen fortsætter. Modellen er beregnet til offlineassistenter, tilgængelighedsværktøjer, spil og interaktive applikationer, der ikke kan vente på en tur-retur-forbindelse til skyen, samtidig med at teksten forbliver på brugerens enhed. Der er adgang til mere end 100 indbyggede stemmer. Gradium Studio kan også klone en stemme ud fra en kort optagelse med talerens samtykke eller designe en stemme ud fra en tekstbeskrivelse, så den kan downloades og bruges lokalt.

Implementeringsmuligheder og begrænsninger

Gradiums ptts-kørselstid er skrevet i Rust og kræver ikke PyTorch. Den understøtter CPU-, GPU- og NPU-bagends på tværs af Intel, Arm, WebAssembly, CUDA, Vulkan, Metal, WebGPU, Apple Core ML og understøttet Snapdragon-hardware. Pakkerne dækker integration i browsere, mobilenheder, computere og lokale servere.

Phonon fås også i Transformers fra version 5.21 som en PyTorch-referenceimplementering. Mens ptts fokuserer på én enkelt strøm på enheden, er Transformers rettet mod GPU-gennemløb via batchgenerering og fuld graf torch.compile. Dokumentationen til Transformers beskriver en kausal transformer, der producerer kontinuerlige lydlatenter på 32 dimensioner ved 12,5 Hz, som afkodes til lyd ved 24 kHz. Stemmer leveres som præberegnede talerlatenter på 512 dimensioner.

Disse tekniske forhold betyder, at noget integrationsarbejde ligger uden for selve kontrolpunktet. Talercodec’en er ikke udgivet, og lydtokenizeren kan kun afkode, så Transformers kan ikke klone stemmer direkte fra optagelser. Tokenizeren udvider heller ikke tal, beløb, symboler eller adresser, sådan som Gradiums kørselstid gør. Lange input opdeles i sætninger, så prosodien ikke videreføres gennem en hel tekst.

Valget af implementering er derfor konkret: ptts håndterer én privat strøm på brugerens hardware, mens Transformers håndterer GPU-syntese i batches. I begge tilfælde er stemmeforberedelse og sprogspecifik håndtering af tal, symboler og adresser fortsat en del af integrationen ud over selve kontrolpunktet.