Το Phonon TTS της Gradium για συσκευές ξεπέρασε τις 200.000 λήψεις μέσα σε δύο εβδομάδες

Στις 5 Νοεμβρίου 2026, η Gradium ανακοίνωσε ότι τα μοντέλα μετατροπής κειμένου σε ομιλία Phonon για συσκευές είχαν πραγματοποιήσει περισσότερες από 200.000 λήψεις κατά τις πρώτες δύο εβδομάδες από την κυκλοφορία τους, σε τεχνική επεξήγηση που δημοσιεύτηκε στο Hugging Face.

Η Gradium ανέφερε ότι το Phonon κατέλαβε την πρώτη θέση ως προς την ευκρίνεια ομιλίας στα γερμανικά και τα ισπανικά στο Open TTS Leaderboard και βρέθηκε στην πρώτη τριάδα σε κάθε γλώσσα που αξιολόγησε, μαζί με μοντέλα έως και 100 φορές μεγαλύτερα.

Στο γράφημα της Gradium για τον χρόνο έως την πρώτη αναπαραγωγή ήχου, στο 95ο εκατοστημόριο και με χρήση CPU, το Phonon 31m English κατατάχθηκε πρώτο, με 28 χιλιοστά του δευτερολέπτου, και το Phonon 40m English δεύτερο, με 38 χιλιοστά του δευτερολέπτου, ενώ το Pocket TTS χρειάστηκε 165 χιλιοστά του δευτερολέπτου. Όσο μικρότερη είναι η τιμή, τόσο το καλύτερο. Ο χρόνος έως την πρώτη αναπαραγωγή ήχου μετρά πόσο περιμένει ένας χρήστης μέχρι να ακούσει ομιλία, επομένως είναι άμεσα σημαντικός για φωνητικούς πράκτορες και άλλες διαδραστικές εφαρμογές.

Τι μετρούν οι κατατάξεις

Η επεξήγηση περιγράφει την αξιολόγηση σε 23 γλώσσες, με κριτήρια την ευκρίνεια ομιλίας, τον αντίστροφο συντελεστή πραγματικού χρόνου, τον χρόνο έως την πρώτη αναπαραγωγή ήχου και αυτοματοποιημένες μετρήσεις φυσικότητας, ενώ στην κλωνοποίηση φωνής προστίθεται και η ομοιότητα ομιλητή. Η μεθοδολογία του πίνακα κατάταξης του Hugging Face υπολογίζει την ευκρίνεια ομιλίας συγκρίνοντας τις απομαγνητοφωνήσεις αυτόματης αναγνώρισης ομιλίας με τα αρχικά κείμενα προτροπής, βάσει του ποσοστού σφαλμάτων λέξεων ή χαρακτήρων.

Οι δοκιμές ροής εκτελούνται με μία εκφώνηση κάθε φορά, χρησιμοποιώντας κοινά κείμενα προτροπής και το ίδιο υλικό. Για μοντέλα χωρίς διεπαφή ροής, ο χρόνος αφορά την παραγωγή ολόκληρης της εκφώνησης, καθώς η αναπαραγωγή δεν μπορεί να ξεκινήσει νωρίτερα. Στις αξιολογήσεις κλωνοποίησης φωνής, συγκρίνονται χωριστά τα ενσωματώματα ομιλητή από τον παραγόμενο ήχο και από ένα δείγμα αναφοράς.

Το Hugging Face επισημαίνει ότι τα ποσοστά σφαλμάτων που βασίζονται στην αναγνώριση αποτελούν έμμεση ένδειξη της ευκρίνειας ομιλίας, ενώ η ομοιότητα των ενσωματωμάτων εκτιμά τον βαθμό διατήρησης της ταυτότητας της φωνής. Καμία από τις δύο μετρήσεις δεν τεκμηριώνει άμεσα τη φυσικότητα, την εκφραστικότητα ή την προτίμηση των ακροατών, επομένως οι αυτοματοποιημένες κατατάξεις δεν υποκαθιστούν τις δοκιμές ανθρώπινης προτίμησης. Η καρτέλα «Ακρόαση» επιτρέπει στους επισκέπτες να συγκρίνουν τα παραγόμενα δείγματα στα οποία βασίζονται οι μετρήσεις και να ψηφίσουν.

Ανοιχτά βάρη και εμπορικοί όροι

Η κυκλοφορία του μοντέλου με ανοιχτά βάρη έγινε στις 20 Οκτωβρίου 2026, επομένως η νέα ανακοίνωση αποτελεί πρώιμη ενημέρωση για την υιοθέτηση και την αξιολόγησή του και όχι ξεχωριστή παρουσίαση μοντέλου. Η κάρτα μοντέλου του Phonon 31m English αναφέρει βάρη 64,5 MB με κβαντισμό 8 bit, υπό την άδεια Apache 2.0, η οποία επιτρέπει την εμπορική χρήση.

Οι παραλλαγές 40m έχουν κβαντισμένα βάρη 74,6 MB και καλύπτουν τα αγγλικά, τα γαλλικά, τα γερμανικά, τα ισπανικά και τα πορτογαλικά, υπό την άδεια CC BY-NC 4.0, είτε μέσω ξεχωριστών σημείων ελέγχου για κάθε γλώσσα είτε μέσω ενός πολύγλωσσου μοντέλου. Για εμπορικά προϊόντα που βασίζονται σε αυτά τα σημεία ελέγχου μη εμπορικής χρήσης, η Gradium χρεώνει την άδεια ανάλογα με τον αριθμό των χρηστών και όχι με την ποσότητα ομιλίας που παράγεται.

Το Phonon παράγει μονοφωνικό ήχο 24 kHz και μπορεί να μεταδίδει ομιλία σε ροή ενώ συνεχίζεται η παραγωγή της. Προορίζεται για βοηθούς εκτός σύνδεσης, εργαλεία προσβασιμότητας, παιχνίδια και διαδραστικές εφαρμογές που δεν μπορούν να περιμένουν την επικοινωνία με το νέφος και διατηρούν το κείμενο στη συσκευή του χρήστη. Διατίθενται περισσότερες από 100 ενσωματωμένες φωνές. Το Gradium Studio μπορεί επίσης να κλωνοποιήσει μια φωνή από σύντομη ηχογράφηση, με τη συγκατάθεση του ομιλητή, ή να σχεδιάσει μια φωνή βάσει κειμενικής περιγραφής, για λήψη και τοπική χρήση.

Επιλογές ανάπτυξης και περιορισμοί

Ο μηχανισμός εκτέλεσης ptts της Gradium είναι γραμμένος σε Rust και δεν απαιτεί PyTorch. Υποστηρίζει υποσυστήματα CPU, GPU και NPU, καλύπτοντας Intel, Arm, WebAssembly, CUDA, Vulkan, Metal, WebGPU, Apple Core ML και υποστηριζόμενο υλικό Snapdragon. Τα πακέτα του υποστηρίζουν ενσωμάτωση σε προγράμματα περιήγησης, κινητές συσκευές, επιτραπέζιους υπολογιστές και τοπικούς διακομιστές.

Το Phonon διατίθεται επίσης στο Transformers από την έκδοση 5.21, ως υλοποίηση αναφοράς σε PyTorch. Ενώ το ptts εστιάζει σε μία ροή στη συσκευή, το Transformers στοχεύει στην υψηλή απόδοση της GPU μέσω μαζικής παραγωγής και πλήρους γράφου torch.compile. Η τεκμηρίωση του Transformers περιγράφει έναν αιτιακό μετασχηματιστή που παράγει συνεχή ηχητικά λανθάνοντα διανύσματα 32 διαστάσεων στα 12,5 Hz, τα οποία αποκωδικοποιούνται σε ήχο 24 kHz. Οι φωνές παρέχονται ως προϋπολογισμένα λανθάνοντα διανύσματα ομιλητή 512 διαστάσεων.

Αυτές οι τεχνικές λεπτομέρειες σημαίνουν ότι ορισμένες εργασίες ενσωμάτωσης πρέπει να γίνουν εκτός του σημείου ελέγχου. Ο κωδικοποιητής ομιλητή δεν έχει κυκλοφορήσει και ο διακριτοποιητής ήχου λειτουργεί μόνο ως αποκωδικοποιητής, επομένως το Transformers δεν μπορεί να κλωνοποιήσει φωνές απευθείας από ηχογραφήσεις. Ο διακριτοποιητής του επίσης δεν αναπτύσσει αριθμούς, ποσά, σύμβολα ή διευθύνσεις όπως κάνει ο μηχανισμός εκτέλεσης της Gradium. Τα μεγάλα κείμενα χωρίζονται σε προτάσεις, με αποτέλεσμα ο επιτονισμός να μη διατηρείται σε ολόκληρο το κείμενο.

Επομένως, η επιλογή τρόπου ανάπτυξης είναι σαφής: το ptts εξυπηρετεί μία ιδιωτική ροή στη συσκευή του χρήστη, ενώ το Transformers προορίζεται για σύνθεση μέσω GPU σε δέσμες. Και στις δύο περιπτώσεις, η προετοιμασία της φωνής και η γλωσσικά προσαρμοσμένη διαχείριση αριθμών, συμβόλων και διευθύνσεων παραμένουν μέρος της διαδικασίας ενσωμάτωσης, πέρα από το ίδιο το σημείο ελέγχου.