KI-Modelle und Plattformen
Phonon TTS von Gradium für On-Device-Sprachsynthese erreicht in zwei Wochen 200.000 Downloads
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
Gradium teilte am 5. November 2026 mit, dass seine On-Device-Text-to-Speech-Modelle Phonon in den ersten beiden Wochen mehr als 200.000-mal heruntergeladen worden seien. Dazu veröffentlichte das Unternehmen ein technisches Update auf Hugging Face.
Gradium zufolge belegte Phonon im Open TTS Leaderboard bei der Verständlichkeit auf Deutsch und Spanisch den ersten Platz und gehörte in jeder getesteten Sprache zu den drei besten Modellen – neben Modellen, die bis zu 100-mal so groß sind.
In Gradiums Diagramm zur CPU-Zeit bis zur ersten Audioausgabe am 95. Perzentil lag Phonon 31m English mit 28 Millisekunden auf Platz eins und Phonon 40m English mit 38 Millisekunden auf Platz zwei; Pocket TTS benötigte 165 Millisekunden. Niedrigere Werte sind besser. Die Zeit bis zur ersten Audioausgabe gibt an, wie lange Nutzer auf abspielbare Sprache warten müssen. Sie ist daher für Sprachagenten und andere interaktive Anwendungen unmittelbar relevant.
Was die Ranglisten messen
Das Update beschreibt eine Bewertung in 23 Sprachen, bei der Verständlichkeit, inverser Echtzeitfaktor, Zeit bis zur ersten Audioausgabe und automatisierte Natürlichkeitsmessungen untersucht werden; beim Klonen von Stimmen kommt die Sprecherähnlichkeit hinzu. Die Methodik des Leaderboards von Hugging Face ermittelt die Verständlichkeit, indem Transkripte automatischer Spracherkennung anhand der Wort- oder Zeichenfehlerrate mit den ursprünglichen Eingaben verglichen werden.
Bei Streaming-Tests wird jeweils eine Äußerung mit gängigen Eingaben und auf derselben Hardware verarbeitet. Bei Modellen ohne Streaming-Schnittstelle wird die Zeit für die Erzeugung der gesamten Äußerung gemessen, da die Wiedergabe nicht früher beginnen kann. Bei der Bewertung des Stimmenklonens werden außerdem die Sprechereinbettungen aus der erzeugten Audiodatei und einem Referenzclip miteinander verglichen.
Hugging Face weist darauf hin, dass auf Spracherkennung basierende Fehlerraten nur als Näherungswert für die Verständlichkeit dienen, während die Ähnlichkeit der Einbettungen schätzt, wie gut die Stimmidentität erhalten bleibt. Keine der beiden Messungen belegt unmittelbar Natürlichkeit, Ausdrucksstärke oder die Präferenz der Zuhörer. Automatisierte Ranglisten ersetzen daher keine Tests zur Ermittlung menschlicher Präferenzen. Über den Tab „Anhören“ können Besucher die den Kennzahlen zugrunde liegenden generierten Ausgaben vergleichen und darüber abstimmen.
Offene Modellgewichte und kommerzielle Bedingungen
Die zugrunde liegende Veröffentlichung mit offenen Modellgewichten erfolgte am 20. Oktober 2026. Die neue Mitteilung ist somit ein frühes Update zu Nutzung und Bewertung und keine separate Vorstellung eines neuen Modells. Die Modellkarte des englischen Phonon-31m-Modells weist 64,5 MB quantisierte 8-Bit-Gewichte aus, die unter Apache 2.0 stehen und damit kommerziell genutzt werden dürfen.
Die 40m-Varianten umfassen 74,6 MB quantisierte Gewichte und decken Englisch, Französisch, Deutsch, Spanisch und Portugiesisch ab. Sie stehen über separate Sprach-Checkpoints oder ein mehrsprachiges Modell unter CC BY-NC 4.0 zur Verfügung. Für kommerzielle Produkte, die auf diesen nichtkommerziellen Checkpoints basieren, richtet Gradium die Lizenzgebühren nach der Nutzerzahl und nicht nach der erzeugten Sprachmenge aus.
Phonon erzeugt Mono-Audio mit 24 kHz und kann Sprache streamen, während die Generierung weiterläuft. Es ist für Offline-Assistenten, Barrierefreiheitstools, Spiele und interaktive Anwendungen gedacht, die nicht auf einen Umweg über die Cloud warten können und Texte gleichzeitig auf dem Gerät des Nutzers belassen. Mehr als 100 integrierte Stimmen stehen zur Verfügung. Mit Gradium Studio lässt sich außerdem mit Einwilligung des Sprechers aus einer kurzen Aufnahme eine Stimme klonen oder anhand einer Textbeschreibung eine Stimme erstellen, die heruntergeladen und lokal verwendet werden kann.
Bereitstellungsoptionen und Einschränkungen
Gradiums ptts-Laufzeitumgebung ist in Rust geschrieben und benötigt PyTorch nicht. Sie unterstützt CPU-, GPU- und NPU-Backends für Intel, Arm, WebAssembly, CUDA, Vulkan, Metal, WebGPU, Apple Core ML und unterstützte Snapdragon-Hardware. Die Pakete decken die Integration in Browser, Mobilgeräte, Desktop-Systeme und lokale Server ab.
Phonon ist ab Transformers-Version 5.21 auch als PyTorch-Referenzimplementierung verfügbar. Während ptts auf einen einzelnen On-Device-Stream ausgelegt ist, zielt Transformers mit gebündelter Generierung und vollständigen Graphen auf GPU-Durchsatz torch.compile. Die Dokumentation zu Transformers beschreibt einen kausalen Transformer, der fortlaufende Audio-Latents mit 32 Dimensionen und 12,5 Hz erzeugt, die anschließend zu 24-kHz-Audio dekodiert werden. Die Stimmen werden durch vorberechnete Sprechermerkmale mit 512 Dimensionen bereitgestellt.
Diese technischen Eigenschaften machen Integrationsarbeiten erforderlich, die über den Checkpoint hinausgehen. Der Sprecher-Codec wurde nicht veröffentlicht, und der Audio-Tokenizer kann nur dekodieren. Daher kann Transformers Stimmen nicht direkt aus Aufnahmen klonen. Außerdem erweitert der Tokenizer Zahlen, Beträge, Symbole oder Adressen nicht wie Gradiums Laufzeitumgebung. Lange Eingaben werden in Sätze aufgeteilt, sodass sich die Prosodie nicht über einen gesamten Text hinweg fortsetzen kann.
Die Wahl der Bereitstellung ist daher konkret: ptts verarbeitet einen privaten Einzelstream auf der Hardware des Nutzers, während Transformers die gebündelte GPU-Synthese übernimmt. Bei beiden Optionen gehören die Vorbereitung der Stimme und der sprachspezifische Umgang mit Zahlen, Symbolen und Adressen neben dem Checkpoint selbst zur Integration.
