Il TTS on-device Phonon di Gradium supera i 200.000 download in due settimane

Il 5 novembre 2026 Gradium ha riferito che i suoi modelli di sintesi vocale on-device Phonon erano stati scaricati oltre 200.000 volte nelle prime due settimane, in un approfondimento tecnico pubblicato su Hugging Face.

Gradium ha dichiarato che Phonon si è classificato al primo posto per intelligibilità in tedesco e spagnolo nell’Open TTS Leaderboard e tra i primi tre in tutte le lingue valutate, al pari di modelli fino a 100 volte più grandi.

Nel grafico di Gradium sul tempo al primo audio su CPU al 95° percentile, Phonon 31m English si è classificato al primo posto con 28 millisecondi e Phonon 40m English al secondo con 38 millisecondi, mentre Pocket TTS ha registrato 165 millisecondi. I valori più bassi sono migliori. Il tempo al primo audio misura quanto deve attendere un utente prima di poter ascoltare il parlato, un dato quindi direttamente rilevante per gli agenti vocali e altre applicazioni interattive.

Cosa misurano le classifiche

L’approfondimento descrive una valutazione in 23 lingue che comprende intelligibilità, fattore di tempo reale inverso, tempo al primo audio e misure automatiche di naturalezza, con l’aggiunta della somiglianza vocale per la clonazione della voce. La metodologia della classifica di Hugging Face calcola l’intelligibilità confrontando le trascrizioni ottenute con il riconoscimento automatico del parlato con i prompt originali, tramite il tasso di errore su parole o caratteri.

I test di streaming elaborano un enunciato alla volta, usando prompt comuni e lo stesso hardware. Per i modelli senza un’interfaccia di streaming, il tempo rilevato comprende la generazione dell’intero enunciato, perché la riproduzione non può iniziare prima. Le valutazioni della clonazione vocale confrontano separatamente gli embedding del parlante ricavati dall’audio generato con quelli di una clip di riferimento.

Hugging Face avverte che i tassi di errore basati sul riconoscimento sono un indicatore indiretto dell’intelligibilità, mentre la somiglianza degli embedding stima quanto venga preservata l’identità vocale. Nessuna delle due misure determina direttamente la naturalezza, l’espressività o le preferenze degli ascoltatori; di conseguenza, le classifiche automatiche non sostituiscono i test sulle preferenze umane. Una scheda «Ascolta» consente ai visitatori di confrontare i risultati generati alla base delle metriche e votare.

Pesi aperti e condizioni commerciali

Il rilascio dei pesi aperti è avvenuto il 20 ottobre 2026, perciò questa nuova comunicazione costituisce un aggiornamento iniziale sull’adozione e sulla valutazione, non il debutto di un modello distinto. La scheda del modello Phonon 31m English indica 64,5 MB di pesi quantizzati a 8 bit con licenza Apache 2.0, che ne consente l’uso commerciale.

Le varianti 40m hanno 74,6 MB di pesi quantizzati e coprono inglese, francese, tedesco, spagnolo e portoghese con licenza CC BY-NC 4.0, tramite checkpoint separati per lingua o un unico modello multilingue. Per i prodotti commerciali basati su questi checkpoint non commerciali, Gradium stabilisce il prezzo della licenza in base al numero di utenti, anziché alla quantità di parlato generata.

Phonon genera audio mono a 24 kHz e può trasmettere il parlato in streaming mentre la generazione è ancora in corso. È pensato per assistenti offline, strumenti di accessibilità, giochi e applicazioni interattive che non possono attendere il tempo di andata e ritorno verso il cloud, mantenendo il testo sul dispositivo dell’utente. Sono disponibili oltre 100 voci integrate. Gradium Studio può anche clonare una voce da una breve registrazione, con il consenso del parlante, oppure crearne una a partire da una descrizione testuale, da scaricare e usare in locale.

Modalità di distribuzione e limiti

Il runtime ptts di Gradium è scritto in Rust e non richiede PyTorch. Supporta backend CPU, GPU e NPU per Intel, Arm, WebAssembly, CUDA, Vulkan, Metal, WebGPU, Apple Core ML e hardware Snapdragon compatibile. I suoi pacchetti coprono le integrazioni per browser, dispositivi mobili, computer desktop e server locali.

Phonon è disponibile anche in Transformers dalla versione 5.21 come implementazione di riferimento in PyTorch. Mentre ptts si concentra su un singolo flusso on-device, Transformers punta a massimizzare il throughput della GPU tramite la generazione in batch e l’elaborazione su grafo completo torch.compile. La documentazione di Transformers descrive un transformer causale che produce rappresentazioni latenti audio continue a 32 dimensioni e 12,5 Hz, da decodificare in audio a 24 kHz. Le voci sono fornite sotto forma di rappresentazioni latenti del parlante precalcolate a 512 dimensioni.

Questi aspetti tecnici lasciano una parte del lavoro di integrazione al di fuori del checkpoint. Il codec del parlante non è stato rilasciato e il tokenizzatore audio è solo decoder, quindi Transformers non può clonare direttamente voci da registrazioni. Inoltre, il suo tokenizzatore non espande numeri, importi, simboli o indirizzi come fa il runtime di Gradium. Gli input lunghi vengono suddivisi in frasi, impedendo alla prosodia di mantenersi lungo l’intero testo.

La scelta della modalità di distribuzione è quindi concreta: ptts gestisce un flusso privato singolo sull’hardware dell’utente, mentre Transformers serve la sintesi GPU in batch. In entrambi i casi, oltre al checkpoint stesso, l’integrazione comprende la preparazione delle voci e la gestione di numeri, simboli e indirizzi in base alla lingua.