TTS Phonon On-Device dari Gradium Tembus 200.000 Unduhan dalam Dua Minggu

Pada 5 November 2026, Gradium melaporkan bahwa model text-to-speech Phonon on-device miliknya telah diunduh lebih dari 200.000 kali dalam dua minggu pertama, dalam pembaruan teknis yang diterbitkan di Hugging Face.

Gradium menyatakan bahwa Phonon menempati peringkat pertama untuk keterpahaman dalam bahasa Jerman dan Spanyol di Open TTS Leaderboard, serta berada di tiga besar untuk setiap bahasa yang dievaluasi, bersaing dengan model yang ukurannya hingga 100 kali lipat lebih besar.

Dalam grafik Gradium yang menampilkan waktu CPU persentil ke-95 hingga audio pertama tersedia, Phonon 31m bahasa Inggris menempati posisi pertama dengan 28 milidetik, disusul Phonon 40m bahasa Inggris di posisi kedua dengan 38 milidetik, sementara Pocket TTS mencatat 165 milidetik. Nilai yang lebih rendah lebih baik. Waktu hingga audio pertama tersedia mengukur berapa lama pengguna menunggu sampai ucapan dapat diputar, sehingga metrik ini relevan langsung bagi agen suara dan aplikasi interaktif lainnya.

Apa yang Diukur oleh Peringkat

Pembaruan tersebut menguraikan evaluasi terhadap 23 bahasa, yang mencakup keterpahaman, faktor waktu nyata terbalik, waktu hingga audio pertama tersedia, serta metrik otomatis untuk kealamian, dengan kemiripan suara ditambahkan untuk kloning suara. Metodologi papan peringkat Hugging Face menghitung keterpahaman dengan membandingkan transkrip pengenalan ucapan otomatis dengan prompt asli menggunakan tingkat kesalahan kata atau karakter.

Pengujian streaming menjalankan satu ujaran setiap kali, menggunakan prompt umum dan perangkat keras yang sama. Untuk model yang tidak memiliki antarmuka streaming, pengukuran waktunya mencakup proses menghasilkan seluruh ujaran karena pemutaran tidak dapat dimulai lebih awal. Evaluasi kloning suara secara terpisah membandingkan embedding suara dari audio yang dihasilkan dengan klip referensi.

Hugging Face mengingatkan bahwa tingkat kesalahan berbasis pengenalan hanya menjadi indikator keterpahaman, sedangkan kemiripan embedding memperkirakan sejauh mana identitas suara dipertahankan. Tak satu pun dari kedua pengukuran tersebut secara langsung memastikan kealamian, ekspresivitas, atau preferensi pendengar. Karena itu, peringkat otomatis tidak menggantikan pengujian preferensi oleh manusia. Tab Listen memungkinkan pengunjung membandingkan keluaran yang dihasilkan dan menjadi dasar metrik tersebut, lalu memberikan suara untuknya.

Bobot Terbuka dan Ketentuan Komersial

Rilis berbobot terbuka yang mendasarinya hadir pada 20 Oktober 2026, sehingga pengungkapan baru ini merupakan pembaruan awal tentang adopsi dan evaluasi, bukan peluncuran model terpisah. Kartu model Phonon 31m bahasa Inggris mencantumkan bobot terkuantisasi 8-bit sebesar 64,5 MB di bawah lisensi Apache 2.0, yang mengizinkan penggunaan komersial.

Varian 40m memiliki bobot terkuantisasi sebesar 74,6 MB dan mendukung bahasa Inggris, Prancis, Jerman, Spanyol, serta Portugis di bawah lisensi CC BY-NC 4.0, baik melalui checkpoint bahasa terpisah maupun satu model multibahasa. Untuk produk komersial yang dibuat berdasarkan checkpoint nonkomersial tersebut, Gradium menetapkan harga lisensi berdasarkan jumlah pengguna, bukan jumlah ucapan yang dihasilkan.

Phonon menghasilkan audio mono 24 kHz dan dapat mengalirkan ucapan sambil terus menghasilkan audio. Model ini ditujukan untuk asisten luring, alat aksesibilitas, gim, dan aplikasi interaktif yang tidak dapat menunggu perjalanan pulang-pergi ke cloud, sekaligus menjaga teks tetap berada di perangkat pengguna. Lebih dari 100 suara bawaan tersedia. Gradium Studio juga dapat mengkloning suara dari rekaman singkat dengan persetujuan pemilik suara, atau merancang suara berdasarkan deskripsi teks untuk diunduh dan digunakan secara lokal.

Opsi Penerapan dan Batasan

Runtime ptts Gradium ditulis dalam Rust dan tidak memerlukan PyTorch. Runtime ini mendukung backend CPU, GPU, dan NPU yang mencakup Intel, Arm, WebAssembly, CUDA, Vulkan, Metal, WebGPU, Apple Core ML, serta perangkat keras Snapdragon yang didukung. Paketnya mendukung integrasi dengan browser, perangkat seluler, desktop, dan server lokal.

Phonon juga tersedia di Transformers mulai versi 5.21 sebagai implementasi PyTorch referensi. Sementara ptts berfokus pada satu aliran on-device, Transformers ditujukan untuk meningkatkan throughput GPU melalui pembuatan batch dan grafik penuh torch.compile. Dokumentasi Transformers menjelaskan transformer kausal yang menghasilkan laten audio kontinu berdimensi 32 pada 12,5 Hz untuk didekode menjadi audio 24 kHz. Suara menggunakan laten speaker prahitung berdimensi 512.

Mekanisme tersebut membuat sebagian pekerjaan integrasi berada di luar checkpoint. Codec speaker belum dirilis dan tokenizer audio hanya mendukung dekode, sehingga Transformers tidak dapat mengkloning suara secara langsung dari rekaman. Tokenizernya juga tidak mengembangkan angka, jumlah, simbol, atau alamat seperti yang dilakukan runtime Gradium. Masukan panjang dibagi menjadi beberapa kalimat, sehingga prosodi tidak dapat berlanjut di seluruh teks.

Dengan demikian, pilihan penerapannya jelas: ptts menangani satu aliran privat di perangkat keras pengguna, sedangkan Transformers melayani sintesis GPU secara batch. Dalam kedua opsi tersebut, persiapan suara serta penanganan angka, simbol, dan alamat yang mempertimbangkan bahasa tetap menjadi bagian dari integrasi, selain checkpoint itu sendiri.