Gradium का ऑन-डिवाइस Phonon TTS दो हफ़्तों में 200,000 डाउनलोड के पार

Gradium ने 5 नवंबर, 2026 को Hugging Face पर प्रकाशित तकनीकी अपडेट में बताया कि उसके ऑन-डिवाइस टेक्स्ट-टू-स्पीच मॉडल Phonon को शुरुआती दो हफ़्तों में 200,000 से ज़्यादा बार डाउनलोड किया गया।

Gradium के अनुसार, Open TTS Leaderboard पर Phonon जर्मन और स्पैनिश में स्पष्टता के मामले में पहले स्थान पर रहा और जिन भाषाओं का मूल्यांकन किया गया, उनमें से हर भाषा में शीर्ष तीन मॉडलों में शामिल था—यहाँ तक कि उन मॉडलों के मुकाबले भी, जिनका आकार इससे 100 गुना तक था।

पहला ऑडियो मिलने तक CPU पर लगने वाले समय के 95वें पर्सेंटाइल को दर्शाने वाले Gradium के चार्ट में Phonon 31m English 28 मिलीसेकंड के साथ पहले और Phonon 40m English 38 मिलीसेकंड के साथ दूसरे स्थान पर था, जबकि Pocket TTS को 165 मिलीसेकंड लगे। कम मान बेहतर होते हैं। पहला ऑडियो मिलने तक का समय बताता है कि उपयोगकर्ता को सुनने योग्य आवाज़ के लिए कितनी देर इंतज़ार करना पड़ता है; इसलिए वॉइस एजेंट और दूसरे इंटरैक्टिव ऐप्लिकेशन के लिए यह सीधे तौर पर अहम है।

रैंकिंग में किन चीज़ों का आकलन होता है

इस अपडेट में 23 भाषाओं के लिए किए गए मूल्यांकन का विवरण है। इसमें स्पष्टता, उल्टा रियल-टाइम फ़ैक्टर, पहला ऑडियो मिलने तक का समय और स्वचालित स्वाभाविकता माप शामिल हैं; वॉइस क्लोनिंग के लिए वक्ता-समानता भी जोड़ी गई है। Hugging Face की लीडरबोर्ड की कार्यप्रणाली में मूल प्रॉम्प्ट के साथ स्वचालित वाक्-पहचान से मिले ट्रांसक्रिप्ट की तुलना करके स्पष्टता मापी जाती है; इसके लिए शब्द या अक्षर की त्रुटि दर का इस्तेमाल होता है।

स्ट्रीमिंग परीक्षणों में आम प्रॉम्प्ट और एक ही हार्डवेयर का उपयोग करके, एक बार में एक कथन चलाया जाता है। जिन मॉडलों में स्ट्रीमिंग इंटरफ़ेस नहीं है, उनके लिए समय पूरे कथन को तैयार करने तक का होता है, क्योंकि उससे पहले प्लेबैक शुरू नहीं हो सकता। वॉइस-क्लोनिंग के मूल्यांकन में, तैयार किए गए ऑडियो और संदर्भ क्लिप से प्राप्त वक्ता एम्बेडिंग की अलग-अलग तुलना की जाती है।

Hugging Face सावधान करता है कि पहचान-आधारित त्रुटि दरें स्पष्टता का केवल एक अनुमान हैं, जबकि एम्बेडिंग की समानता से यह आँका जाता है कि आवाज़ की पहचान कितनी बरकरार रही। इनमें से कोई भी माप सीधे तौर पर स्वाभाविकता, अभिव्यक्तिपूर्णता या श्रोताओं की पसंद को साबित नहीं करता; इसलिए स्वचालित रैंकिंग, लोगों से पसंद का आकलन कराने वाले परीक्षणों की जगह नहीं लेती। ‘सुनें’ टैब पर जाकर लोग माप के पीछे तैयार किए गए ऑडियो की तुलना कर सकते हैं और उन पर वोट दे सकते हैं।

ओपन वेट और व्यावसायिक शर्तें

मूल ओपन-वेट रिलीज़ 20 अक्टूबर, 2026 को आई थी, इसलिए यह नई जानकारी किसी अलग मॉडल की शुरुआत के बजाय शुरुआती अपनाने और मूल्यांकन से जुड़ा अपडेट है। अंग्रेज़ी Phonon 31m के मॉडल कार्ड में 8-बिट क्वांटाइज़ किए गए 64.5 MB वेट दिए गए हैं, जो Apache 2.0 लाइसेंस के तहत हैं और व्यावसायिक इस्तेमाल की अनुमति देते हैं।

40m वेरिएंट में क्वांटाइज़ किए गए 74.6 MB वेट हैं और ये CC BY-NC 4.0 लाइसेंस के तहत अंग्रेज़ी, फ़्रेंच, जर्मन, स्पैनिश और पुर्तगाली भाषाओं को सपोर्ट करते हैं। इनके लिए अलग-अलग भाषा चेकपॉइंट या एक बहुभाषी मॉडल उपलब्ध है। इन गैर-व्यावसायिक चेकपॉइंट पर आधारित व्यावसायिक उत्पादों के लिए Gradium लाइसेंस शुल्क तैयार की गई आवाज़ की मात्रा के बजाय उपयोगकर्ताओं की संख्या के आधार पर तय करता है।

Phonon मोनो 24 kHz ऑडियो तैयार करता है और आवाज़ बनाते समय ही उसे स्ट्रीम भी कर सकता है। इसे ऑफ़लाइन असिस्टेंट, सुगम्यता टूल, गेम और ऐसे इंटरैक्टिव ऐप्लिकेशन के लिए बनाया गया है जो क्लाउड तक अनुरोध भेजकर जवाब आने का इंतज़ार नहीं कर सकते; साथ ही, टेक्स्ट उपयोगकर्ता के डिवाइस पर ही रहता है। इसमें 100 से ज़्यादा अंतर्निहित आवाज़ें उपलब्ध हैं। Gradium Studio में वक्ता की सहमति से छोटी रिकॉर्डिंग के आधार पर आवाज़ का क्लोन बनाया जा सकता है, या टेक्स्ट में दिए गए विवरण से नई आवाज़ तैयार करके डाउनलोड और स्थानीय इस्तेमाल के लिए रखा जा सकता है।

इस्तेमाल के तरीके और सीमाएँ

Gradium का ptts रनटाइम Rust में लिखा गया है और इसके लिए PyTorch की ज़रूरत नहीं होती। यह Intel, Arm, WebAssembly, CUDA, Vulkan, Metal, WebGPU, Apple Core ML और समर्थित Snapdragon हार्डवेयर पर CPU, GPU और NPU बैकएंड को सपोर्ट करता है। इसके पैकेज ब्राउज़र, मोबाइल, डेस्कटॉप और स्थानीय सर्वर के साथ एकीकरण की सुविधा देते हैं।

Phonon, Transformers में संस्करण 5.21 से संदर्भ PyTorch कार्यान्वयन के रूप में भी उपलब्ध है। जहाँ ptts एक ही ऑन-डिवाइस स्ट्रीम पर केंद्रित है, वहीं Transformers बैच में जनरेशन और पूर्ण ग्राफ़ के ज़रिए GPU थ्रूपुट बढ़ाने पर torch.compile। Transformers का दस्तावेज़ीकरण बताता है कि एक कॉज़ल ट्रांसफ़ॉर्मर 12.5 Hz पर लगातार 32-आयामी ऑडियो लेटेंट तैयार करता है, जिन्हें डिकोड करके 24 kHz ऑडियो बनाया जाता है। आवाज़ें पहले से गणना किए गए 512-आयामी वक्ता लेटेंट के रूप में दी जाती हैं।

इन तकनीकी पहलुओं के चलते चेकपॉइंट से इतर कुछ एकीकरण कार्य भी करने पड़ते हैं। स्पीकर कोडेक अभी जारी नहीं किया गया है और ऑडियो टोकनाइज़र केवल डिकोडिंग करता है, इसलिए Transformers रिकॉर्डिंग से सीधे आवाज़ों का क्लोन नहीं बना सकता। इसका टोकनाइज़र Gradium के रनटाइम की तरह संख्याओं, राशियों, प्रतीकों या पतों को उनके बोले जाने वाले रूप में भी नहीं बदलता। लंबे इनपुट को वाक्यों में बाँटा जाता है, जिससे पूरे टेक्स्ट में बोलने का उतार-चढ़ाव और लय बरकरार नहीं रह पाती।

इसलिए इस्तेमाल का विकल्प स्पष्ट है: ptts उपयोगकर्ता के हार्डवेयर पर एक निजी स्ट्रीम चलाता है, जबकि Transformers GPU पर बैच में आवाज़ तैयार करता है। दोनों तरीकों में चेकपॉइंट के साथ-साथ आवाज़ तैयार करना और संख्याओं, प्रतीकों तथा पतों को भाषा के अनुरूप संभालना भी एकीकरण का हिस्सा बना रहता है।