Gradiumin laitteessa toimiva Phonon-puheensynteesi ylitti 200 000 latauksen rajan kahdessa viikossa

Gradium kertoi 5. marraskuuta 2026, että sen laitteessa toimivia Phonon-tekstistä puheeksi -malleja oli ladattu ensimmäisten kahden viikon aikana yli 200 000 kertaa Hugging Facessa julkaistussa teknisessä jatkokirjoituksessa.

Gradiumin mukaan Phonon sijoittui Open TTS Leaderboard -vertailussa ymmärrettävyydessä ensimmäiseksi saksan ja espanjan kielillä ja kolmen parhaan joukkoon kaikilla arvioiduilla kielillä. Sen rinnalla oli jopa 100 kertaa suurempia malleja.

Gradiumin kaaviossa, joka esittää ensimmäiseen ääneen kuluvan suorittimen ajan 95. persentiilin, englanninkielinen Phonon 31m sijoittui ensimmäiseksi 28 millisekunnilla ja englanninkielinen Phonon 40m toiseksi 38 millisekunnilla; Pocket TTS:n tulos oli 165 millisekuntia. Pienempi arvo on parempi. Ensimmäiseen ääneen kuluva aika mittaa, kuinka pitkään käyttäjä odottaa puheen toistamisen alkamista, joten se on suoraan merkityksellinen puheagenteille ja muille vuorovaikutteisille sovelluksille.

Mitä sijoitukset mittaavat

Jatkokirjoituksessa kuvataan arviointia 23 kielellä. Siinä tarkastellaan ymmärrettävyyttä, käänteistä reaaliaikakerrointa, ensimmäiseen ääneen kuluvaa aikaa ja automaattisia luonnollisuuden mittareita; äänen kloonauksessa arvioidaan lisäksi puhujan samankaltaisuutta. Hugging Facen tulostaulukon arviointimenetelmä laskee ymmärrettävyyden vertaamalla automaattisen puheentunnistuksen litterointeja alkuperäisiin kehotteisiin sana- tai merkkivirheprosentin avulla.

Suoratoistotesteissä käsitellään yksi lausuma kerrallaan samoilla yleisillä kehotteilla ja samalla laitteistolla. Malleilla, joissa ei ole suoratoistorajapintaa, mittausaika kattaa koko lausuman tuottamisen, sillä toistoa ei voida aloittaa aiemmin. Äänen kloonausta arvioitaessa verrataan erikseen tuotetusta äänestä ja vertailuäänitteestä muodostettuja puhujan upotuksia.

Hugging Face huomauttaa, että puheentunnistukseen perustuvat virheprosentit ovat ymmärrettävyyden likiarvo, kun taas upotusten samankaltaisuus arvioi äänen identiteetin säilymistä. Kumpikaan mittari ei suoraan osoita luonnollisuutta, ilmaisuvoimaa tai kuuntelijoiden mieltymyksiä, joten automaattiset sijoitukset eivät korvaa ihmisten mieltymysten testaamista. Kuuntele-välilehdellä kävijät voivat vertailla mittausten taustalla olevia tuotettuja ääninäytteitä ja äänestää niistä.

Avoimet painot ja kaupalliset ehdot

Alkuperäinen avoimien painojen julkaisu tapahtui 20. lokakuuta 2026, joten uusi tiedote on varhainen katsaus käyttöönottoon ja arviointiin, ei erillinen mallin ensiesittely. Englanninkielisen Phonon 31m -mallin mallikortin mukaan 8-bittisesti kvantisoidut painot vievät 64,5 Mt, ja niiden lisenssi on Apache 2.0, joka sallii kaupallisen käytön.

40m-malliversioiden kvantisoidut painot vievät 74,6 Mt, ja ne kattavat englannin, ranskan, saksan, espanjan ja portugalin joko erillisten kielikohtaisten tarkistuspisteiden tai yhden monikielisen mallin kautta. Niihin perustuvien, ei-kaupallisten tarkistuspisteiden varaan rakennettujen kaupallisten tuotteiden lisensoinnin hinta määräytyy Gradiumilla käyttäjien määrän, ei tuotetun puheen määrän perusteella.

Phonon tuottaa monoääntä 24 kHz:n taajuudella ja pystyy suoratoistamaan puhetta samalla, kun sen tuottaminen jatkuu. Se on tarkoitettu offline-avustajille, esteettömyystyökaluille, peleille ja vuorovaikutteisille sovelluksille, jotka eivät voi odottaa pilvipalveluun ja takaisin kuluvan viiveen yli ja joissa teksti pysyy käyttäjän laitteella. Käytettävissä on yli 100 valmista ääntä. Gradium Studiolla voi myös kloonata äänen lyhyestä tallenteesta puhujan suostumuksella tai luoda äänen tekstikuvauksen perusteella ladattavaksi ja paikallisesti käytettäväksi.

Käyttöönottovaihtoehdot ja rajoitukset

Gradiumin ptts-ajoympäristö on kirjoitettu Rustilla, eikä se vaadi PyTorchia. Se tukee suorittimella, grafiikkasuorittimella ja neuroverkkoprosessorilla toimivia taustajärjestelmiä, jotka kattavat Intelin, Armin, WebAssemblyn, CUDAn, Vulkanin, Metalin, WebGPU:n, Apple Core ML:n ja tuetut Snapdragon-laitteet. Paketit kattavat selain-, mobiili- ja työpöytäympäristöt sekä paikallisen palvelimen integraatiot.

Phonon on saatavilla myös Transformersissa versiosta 5.21 alkaen viitetoteutuksena PyTorchilla. Siinä missä ptts keskittyy yhteen laitteessa käsiteltävään virtaan, Transformers tavoittelee grafiikkasuorittimen läpäisykykyä erissä tapahtuvan generoinnin ja koko kuvaajan torch.compile. Transformers-dokumentaatiossa kuvataan kausaalinen muuntajamalli, joka tuottaa jatkuvia 32-ulotteisia äänen latenttiesityksiä 12,5 Hz:n taajuudella dekoodattavaksi 24 kHz:n ääneksi. Äänet annetaan valmiiksi lasketuissa 512-ulotteisissa puhujan latenttiesityksissä.

Näiden toimintaperiaatteiden vuoksi osa integraatiotyöstä jää tarkistuspisteen ulkopuolelle. Puhujakoodekkia ei ole julkaistu, ja äänitokenisoija toimii vain dekooderina, joten Transformersilla ei voi kloonata ääntä suoraan tallenteista. Tokenisoija ei myöskään laajenna numeroita, rahamääriä, symboleja tai osoitteita Gradiumin ajoympäristön tavoin. Pitkät syötteet jaetaan lauseisiin, jolloin prosodia ei säily yhtenäisenä koko tekstin läpi.

Käyttöönottovaihtoehdot ovat siis selkeät: ptts käsittelee yksityisen, yksittäisen virran käyttäjän laitteistolla, kun taas Transformers palvelee erämuotoista GPU-synteesiä. Molemmissa vaihtoehdoissa äänen valmistelu sekä numeroiden, symbolien ja osoitteiden kielikohtainen käsittely kuuluvat integraatioon itse tarkistuspisteen lisäksi.