La síntesis de voz en el dispositivo Phonon de Gradium supera las 200.000 descargas en dos semanas

El 5 de noviembre de 2026, Gradium informó que sus modelos de síntesis de voz en el dispositivo Phonon se habían descargado más de 200.000 veces durante sus dos primeras semanas, en un artículo técnico de seguimiento publicado en Hugging Face.

Gradium afirmó que Phonon ocupó el primer puesto en inteligibilidad en alemán y español en Open TTS Leaderboard y se ubicó entre los tres primeros en todos los idiomas que evaluó, junto a modelos de hasta 100 veces su tamaño.

En el gráfico de Gradium sobre el tiempo de CPU hasta el primer audio en el percentil 95, Phonon 31m English ocupó el primer puesto, con 28 milisegundos, y Phonon 40m English quedó en segundo lugar, con 38 milisegundos; Pocket TTS registró 165 milisegundos. Cuanto menor sea el valor, mejor. El tiempo hasta el primer audio mide cuánto debe esperar un usuario para escuchar voz reproducible, por lo que es directamente relevante para los agentes de voz y otras aplicaciones interactivas.

Qué miden las clasificaciones

El artículo de seguimiento describe una evaluación en 23 idiomas que abarca la inteligibilidad, el factor inverso de tiempo real, el tiempo hasta el primer audio y medidas automatizadas de naturalidad; en el caso de la clonación de voz, también se evalúa la similitud entre hablantes. La metodología de clasificación de Hugging Face calcula la inteligibilidad comparando las transcripciones del reconocimiento automático del habla con las indicaciones originales mediante las tasas de error por palabra o por carácter.

Las pruebas de transmisión en continuo se realizan con una sola locución cada vez, usando indicaciones habituales y el mismo hardware. En los modelos que no cuentan con una interfaz de transmisión en continuo, el tiempo medido abarca la generación de toda la locución, ya que la reproducción no puede empezar antes. En las evaluaciones de clonación de voz, se comparan por separado las representaciones vectoriales del hablante obtenidas del audio generado y de una grabación de referencia.

Hugging Face advierte que las tasas de error basadas en el reconocimiento son un indicador indirecto de la inteligibilidad, mientras que la similitud entre representaciones vectoriales estima cuánto se conserva la identidad de la voz. Ninguna de estas medidas determina directamente la naturalidad, la expresividad ni las preferencias de los oyentes, por lo que las clasificaciones automatizadas no sustituyen las pruebas de preferencias con personas. Una pestaña «Escuchar» permite a los visitantes comparar los resultados de audio generados que sustentan las métricas y votar por ellos.

Pesos abiertos y condiciones comerciales

La publicación de los pesos abiertos tuvo lugar el 20 de octubre de 2026, por lo que esta nueva información constituye una actualización temprana sobre adopción y evaluación, y no el lanzamiento de un modelo independiente. La ficha del modelo Phonon 31m en inglés indica que sus pesos cuantizados a 8 bits ocupan 64,5 MB y están sujetos a la licencia Apache 2.0, que permite el uso comercial.

Las variantes 40m tienen 74,6 MB de pesos cuantizados y abarcan inglés, francés, alemán, español y portugués, bajo la licencia CC BY-NC 4.0, mediante puntos de control independientes para cada idioma o un único modelo multilingüe. Para los productos comerciales basados en esos puntos de control no comerciales, Gradium fija el precio de la licencia según el número de usuarios, no según la cantidad de voz generada.

Phonon genera audio mono a 24 kHz y puede transmitir voz en continuo mientras sigue generándola. Está pensado para asistentes sin conexión, herramientas de accesibilidad, juegos y aplicaciones interactivas que no pueden esperar a que los datos viajen a la nube y regresen, y mantiene el texto en el dispositivo del usuario. Hay más de 100 voces integradas. Gradium Studio también puede clonar una voz a partir de una grabación breve, con el consentimiento de la persona, o crear una voz a partir de una descripción textual para descargarla y usarla localmente.

Opciones de implementación y limitaciones

El entorno de ejecución ptts de Gradium está escrito en Rust y no requiere PyTorch. Es compatible con entornos de ejecución de CPU, GPU y NPU que abarcan Intel, Arm, WebAssembly, CUDA, Vulkan, Metal, WebGPU, Apple Core ML y el hardware Snapdragon compatible. Sus paquetes permiten integrarlo en navegadores, dispositivos móviles y equipos de escritorio, así como en servidores locales.

Phonon también está disponible en Transformers desde la versión 5.21 como implementación de referencia en PyTorch. Mientras que ptts se centra en una única transmisión en el dispositivo, Transformers está orientado al rendimiento de la GPU mediante generación por lotes y grafo completo torch.compile. La documentación de Transformers describe un transformador causal que produce representaciones latentes continuas de audio de 32 dimensiones a 12,5 Hz, que luego se decodifican en audio a 24 kHz. Las voces se proporcionan como representaciones latentes del hablante precomputadas de 512 dimensiones.

Estos aspectos técnicos dejan parte del trabajo de integración fuera del punto de control. El códec del hablante aún no se ha publicado y el tokenizador de audio solo decodifica, por lo que Transformers no puede clonar voces directamente a partir de grabaciones. Además, su tokenizador no expande números, cantidades, símbolos ni direcciones como sí lo hace el entorno de ejecución de Gradium. Las entradas largas se dividen en oraciones, lo que impide que la prosodia se mantenga a lo largo de todo el texto.

Por tanto, la elección de implementación es concreta: ptts procesa una única transmisión privada en el hardware del usuario, mientras que Transformers permite generar voz por lotes en GPU. En ambos casos, la preparación de las voces y el tratamiento de números, símbolos y direcciones teniendo en cuenta el idioma siguen formando parte de la integración, además del propio punto de control.