La synthèse vocale Phonon de Gradium sur appareil dépasse les 200 000 téléchargements en deux semaines

Le 5 novembre 2026, Gradium a annoncé que ses modèles de synthèse vocale Phonon sur appareil avaient été téléchargés plus de 200 000 fois au cours de leurs deux premières semaines, dans un complément technique publié sur Hugging Face.

Gradium a indiqué que Phonon arrivait en tête pour l’intelligibilité en allemand et en espagnol sur l’Open TTS Leaderboard, et figurait parmi les trois premiers dans toutes les langues évaluées, aux côtés de modèles jusqu’à 100 fois plus volumineux.

Sur le graphique de Gradium présentant le temps CPU au 95e percentile avant la première sortie audio, Phonon 31m English arrivait premier, avec 28 millisecondes, et Phonon 40m English deuxième, avec 38 millisecondes, devant Pocket TTS, à 165 millisecondes. Les valeurs les plus basses sont les meilleures. Le temps avant la première sortie audio mesure le délai d’attente avant qu’un utilisateur puisse entendre une parole exploitable ; il est donc directement pertinent pour les agents vocaux et les autres applications interactives.

Ce que mesurent les classements

Le complément décrit une évaluation dans 23 langues portant sur l’intelligibilité, le facteur temps réel inverse, le temps avant la première sortie audio et des mesures automatisées du naturel de la voix, auxquelles s’ajoute la similarité des voix pour le clonage vocal. La méthodologie du classement de Hugging Face mesure l’intelligibilité en comparant les transcriptions produites par un système de reconnaissance automatique de la parole aux requêtes initiales, à l’aide des taux d’erreur sur les mots ou les caractères.

Les tests de diffusion en continu portent sur une seule énonciation à la fois, à partir de requêtes courantes et sur le même matériel. Pour les modèles dépourvus d’interface de diffusion en continu, le temps mesuré correspond à la génération de l’énonciation entière, puisque sa lecture ne peut pas commencer plus tôt. Les évaluations du clonage vocal comparent séparément les représentations vectorielles du locuteur extraites de l’audio généré et d’un extrait de référence.

Hugging Face précise que les taux d’erreur fondés sur la reconnaissance ne sont qu’un indicateur indirect de l’intelligibilité, tandis que la similarité des représentations vectorielles estime dans quelle mesure l’identité vocale est préservée. Aucune de ces mesures ne permet d’établir directement le naturel, l’expressivité ou les préférences des auditeurs ; les classements automatisés ne remplacent donc pas les tests de préférence auprès de personnes. Un onglet « Écouter » permet aux visiteurs de comparer les résultats générés à l’origine des mesures et de voter pour ceux-ci.

Poids ouverts et conditions commerciales

La publication des poids ouverts a eu lieu le 20 octobre 2026 : cette nouvelle communication constitue donc un premier bilan de l’adoption et de l’évaluation, et non le lancement d’un modèle distinct. La fiche du modèle Phonon 31m en anglais indique que ses poids quantifiés sur 8 bits occupent 64,5 Mo et sont proposés sous licence Apache 2.0, qui autorise un usage commercial.

Les variantes 40m disposent de 74,6 Mo de poids quantifiés et couvrent l’anglais, le français, l’allemand, l’espagnol et le portugais, sous licence CC BY-NC 4.0, au moyen de points de contrôle distincts pour chaque langue ou d’un seul modèle multilingue. Pour les produits commerciaux reposant sur ces points de contrôle non commerciaux, Gradium fixe le prix de la licence en fonction du nombre d’utilisateurs, et non de la quantité de parole générée.

Phonon produit un son mono à 24 kHz et peut diffuser la parole en continu pendant sa génération. Il est conçu pour les assistants hors ligne, les outils d’accessibilité, les jeux et les applications interactives qui ne peuvent pas attendre un aller-retour vers le cloud, tout en conservant le texte sur l’appareil de l’utilisateur. Plus de 100 voix intégrées sont disponibles. Gradium Studio peut également cloner une voix à partir d’un court enregistrement, avec le consentement de la personne concernée, ou en créer une à partir d’une description textuelle, pour la télécharger et l’utiliser localement.

Options de déploiement et limites

L’environnement d’exécution ptts de Gradium est écrit en Rust et ne nécessite pas PyTorch. Il prend en charge des environnements d’exécution sur CPU, GPU et NPU, notamment Intel, Arm, WebAssembly, CUDA, Vulkan, Metal, WebGPU, Apple Core ML et le matériel Snapdragon pris en charge. Ses paquets couvrent les intégrations dans les navigateurs, sur mobile et sur ordinateur, ainsi que sur les serveurs locaux.

Phonon est également disponible dans Transformers à partir de la version 5.21 sous la forme d’une implémentation de référence avec PyTorch. Alors que ptts privilégie un flux unique sur appareil, Transformers vise un débit de traitement élevé sur GPU grâce à la génération par lots et à l’exécution sur graphe complet torch.compile. La documentation de Transformers décrit un transformeur causal qui produit en continu des représentations latentes audio de 32 dimensions à 12,5 Hz, lesquelles sont ensuite décodées en audio à 24 kHz. Les voix sont fournies sous forme de représentations latentes pré-calculées du locuteur, de 512 dimensions.

Ces mécanismes laissent une partie du travail d’intégration à effectuer en dehors du point de contrôle. Le codec vocal n’a pas été publié et le tokenizer audio fonctionne uniquement en décodage ; Transformers ne peut donc pas cloner directement des voix à partir d’enregistrements. Son tokenizer ne développe pas non plus les nombres, les montants, les symboles ou les adresses, contrairement à l’environnement d’exécution de Gradium. Les entrées longues sont découpées en phrases, ce qui empêche la prosodie de se prolonger sur l’ensemble du texte.

Le choix du déploiement est donc concret : ptts sert un flux privé unique sur le matériel de l’utilisateur, tandis que Transformers assure la synthèse par lots sur GPU. Dans les deux cas, la préparation des voix et le traitement des nombres, des symboles et des adresses tenant compte de la langue restent des éléments de l’intégration, au même titre que le point de contrôle lui-même.