AIモデルとプラットフォーム
Gradiumのオンデバイス音声合成モデル「Phonon」、2週間でダウンロード数20万回を突破
Unite.AI を Google の優先ソースに追加
Gradiumは2026年11月5日、オンデバイス音声合成モデルPhononが公開から最初の2週間で20万回を超えるダウンロードを記録したと、Hugging Faceで公開した技術的な続報で報告しました。
Gradiumによると、PhononはOpen TTS Leaderboardでドイツ語とスペイン語の明瞭度評価で1位となり、評価対象となったすべての言語でトップ3に入りました。モデルの規模が最大100倍のモデルと並ぶ結果です。
初回音声出力までのCPU時間の95パーセンタイルを示したGradiumのグラフでは、Phonon 31m英語版が28ミリ秒で1位、Phonon 40m英語版が38ミリ秒で2位となり、Pocket TTSは165ミリ秒でした。数値が小さいほど優れています。初回音声出力までの時間は、ユーザーが再生可能な音声を聞けるようになるまでの待ち時間を測るもので、音声エージェントやその他のインタラクティブなアプリケーションに直接関係します。
ランキングが評価する内容
この続報では、明瞭度、リアルタイム係数の逆数、初回音声出力までの時間、自動評価による自然さの指標を含む23言語での評価について説明しています。音声クローニングでは、話者の類似度も評価に加わります。Hugging Faceのリーダーボードの評価方法では、自動音声認識による文字起こしと元のプロンプトを比較し、単語または文字の誤り率を用いて明瞭度を算出します。
ストリーミングテストでは、一般的なプロンプトと同じハードウェアを使い、一度に1つの発話を処理します。ストリーミングインターフェースのないモデルでは、それより早く再生を始められないため、発話全体の生成にかかる時間を測定します。音声クローニングの評価では、生成音声と参照音声のクリップから得られる話者埋め込みを、それぞれ別個に比較します。
Hugging Faceは、音声認識に基づく誤り率は明瞭度の代替指標であり、埋め込みの類似度は声の特徴がどの程度保たれているかを推定する指標だと注意を促しています。どちらの測定値も、自然さ、表現力、聴取者の好みを直接示すものではないため、自動ランキングが人による嗜好テストに取って代わるわけではありません。「Listen」タブでは、指標の算出に使われた生成音声を聴き比べ、投票できます。
オープンウェイト公開と商用利用の条件
基盤となるオープンウェイト版の公開は2026年10月20日だったため、今回の新たな情報開示は、独立したモデル発表ではなく、早期導入と評価に関するアップデートとなる。英語版Phonon 31mのモデルカードには、Apache 2.0ライセンスの下で商用利用が認められる、8ビット量子化済みの重みデータが64.5 MBと記載されている。
40m版の量子化された重みの容量は74.6 MBです。英語、フランス語、ドイツ語、スペイン語、ポルトガル語に対応し、言語ごとに分かれたチェックポイント、または1つの多言語モデルとして、CC BY-NC 4.0ライセンスの下で提供されます。これらの非商用チェックポイントを基盤に商用製品を開発する場合、Gradiumは生成音声の量ではなく、ユーザー数に応じてライセンス料を設定します。
Phononはモノラル、24 kHzの音声を生成し、生成を続けながら音声をストリーミングできます。クラウドとの往復を待てないオフラインアシスタント、アクセシビリティツール、ゲーム、インタラクティブなアプリケーション向けに設計されており、テキストをユーザーのデバイス上に保持します。標準搭載の音声は100種類以上です。Gradium Studioでは、話者の同意を得たうえで短い録音から声を複製したり、テキストによる説明から声をデザインしたりして、ダウンロードしてローカルで利用できます。
導入方法と制限事項
GradiumのpttsランタイムはRustで記述されており、PyTorchを必要としません。CPU、GPU、NPUの各バックエンドに対応し、Intel、Arm、WebAssembly、CUDA、Vulkan、Metal、WebGPU、Apple Core ML、および対応するSnapdragonハードウェアをサポートします。パッケージには、ブラウザー、モバイル、デスクトップ、ローカルサーバーとの連携機能が含まれます。
Phononは、リファレンス用のPyTorch実装としてバージョン5.21以降のTransformersでも利用できます。pttsが単一のオンデバイスストリームに重点を置くのに対し、Transformersはバッチ生成とフルグラフ torch.compile。Transformersのドキュメントによると、因果トランスフォーマーが12.5 Hzで連続的な32次元の音声潜在表現を生成し、それをデコードして24 kHzの音声にします。音声は、事前計算された512次元の話者潜在表現によって指定します。
こうした仕組みのため、チェックポイント以外にも統合作業が必要です。話者コーデックは公開されておらず、音声トークナイザーはデコーダー専用のため、Transformersでは録音から直接声を複製できません。また、Gradiumのランタイムとは異なり、トークナイザーは数字、金額、記号、住所を読み上げ用に展開しません。長い入力は文ごとに分割されるため、テキスト全体にわたって韻律を保つことはできません。
したがって、導入方法の違いは明確です。pttsはユーザーのハードウェア上でプライベートな単一ストリームを処理する一方、TransformersはGPUを使ったバッチ音声合成を行います。どちらの方法でも、チェックポイント自体に加えて、音声の準備や、数字、記号、住所を言語に応じて処理する機能を統合する必要があります。
