Gradiums Phonon TTS på enheten passerer 200 000 nedlastinger på to uker

Gradium opplyste 5. november 2026 at selskapets Phonon-modeller for tekst-til-tale på enheten var blitt lastet ned mer enn 200 000 ganger i løpet av de to første ukene, i en teknisk oppfølging publisert på Hugging Face.

Gradium opplyste at Phonon kom på førsteplass for forståelighet på tysk og spansk på Open TTS Leaderboard, og blant de tre beste på alle språkene selskapet evaluerte, sammen med modeller som er opptil 100 ganger større.

Gradiums diagram over CPU-tid til første lyd ved 95-persentilen viste Phonon 31m English på førsteplass med 28 millisekunder og Phonon 40m English på andreplass med 38 millisekunder, mens Pocket TTS brukte 165 millisekunder. Lavere verdier er bedre. Tid til første lyd måler hvor lenge en bruker må vente på tale som kan spilles av, og er derfor direkte relevant for stemmeagenter og andre interaktive applikasjoner.

Hva rangeringene måler

Oppfølgingen beskriver evaluering på tvers av 23 språk, der man måler forståelighet, invers sanntidsfaktor, tid til første lyd og automatiserte mål på naturlighet, samt talerlikhet ved stemmekloning. Hugging Faces metodikk for rangeringstabellen beregner forståelighet ved å sammenligne transkripsjoner fra automatisk talegjenkjenning med de opprinnelige tekstpromptene ved hjelp av ord- eller tegnfeilrate.

Strømmetestene kjøres med én ytring om gangen, ved hjelp av vanlige tekstprompter og samme maskinvare. For modeller uten et strømmegrensesnitt omfatter målingen genereringen av hele ytringen, siden avspillingen ikke kan begynne tidligere. Evalueringer av stemmekloning sammenligner separat talerrepresentasjoner fra generert lyd med et referanseklipp.

Hugging Face presiserer at feilrater basert på talegjenkjenning er en indirekte indikator på forståelighet, mens likhet mellom talerrepresentasjoner anslår hvor godt stemmeidentiteten er bevart. Ingen av målene fastslår direkte naturlighet, uttrykksfullhet eller lytterpreferanser, så de automatiserte rangeringene erstatter ikke testing av menneskelige preferanser. En lyttefane lar besøkende sammenligne de genererte lydresultatene som ligger til grunn for målingene, og stemme på dem.

Åpne vekter og kommersielle vilkår

Den underliggende utgivelsen med åpne vekter kom 20. oktober 2026, så den nye informasjonen er en tidlig oppdatering om bruk og evaluering, ikke en separat modellansering. Modellkortet for engelske Phonon 31m oppgir 64,5 MB med 8-bits kvantiserte vekter under Apache 2.0, som tillater kommersiell bruk.

40m-variantene har 74,6 MB kvantiserte vekter og dekker engelsk, fransk, tysk, spansk og portugisisk under CC BY-NC 4.0, enten gjennom separate kontrollpunkter for hvert språk eller én flerspråklig modell. For kommersielle produkter basert på disse kontrollpunktene som ikke tillater kommersiell bruk, beregner Gradium lisensprisen ut fra antall brukere, ikke mengden tale som genereres.

Phonon produserer monolyd med 24 kHz og kan strømme tale mens genereringen pågår. Modellen er beregnet på frakoblede assistenter, tilgjengelighetsverktøy, spill og interaktive applikasjoner som ikke kan vente på en tur-retur-forespørsel til skyen, samtidig som teksten holdes på brukerens enhet. Mer enn 100 innebygde stemmer er tilgjengelige. Gradium Studio kan også klone en stemme fra et kort opptak med talerens samtykke, eller lage en stemme ut fra en tekstbeskrivelse for nedlasting og lokal bruk.

Distribusjonsmuligheter og begrensninger

Gradiums ptts-kjøretid er skrevet i Rust og krever ikke PyTorch. Den støtter CPU-, GPU- og NPU-bakender for blant annet Intel, Arm, WebAssembly, CUDA, Vulkan, Metal, WebGPU, Apple Core ML og støttet Snapdragon-maskinvare. Pakkene dekker integrasjoner for nettlesere, mobil, datamaskiner og lokale servere.

Phonon er også tilgjengelig i Transformers fra og med versjon 5.21 som en PyTorch-referanseimplementasjon. Mens ptts fokuserer på én enkelt strøm på enheten, er Transformers rettet mot GPU-gjennomstrømning ved hjelp av satsvis generering og fullgraf torch.compile. Dokumentasjonen for Transformers beskriver en kausal transformer som produserer kontinuerlige lydlatenter på 32 dimensjoner ved 12,5 Hz, som dekodes til lyd med 24 kHz. Stemmene leveres som forhåndsberegnede talerlatenter på 512 dimensjoner.

Disse mekanismene innebærer at noe av integrasjonsarbeidet må gjøres utenfor selve kontrollpunktet. Talerkodeken er ikke utgitt, og lydtokenizeren er kun en dekoder, så Transformers kan ikke klone stemmer direkte fra opptak. Tokenizeren utvider heller ikke tall, beløp, symboler eller adresser slik Gradiums kjøretid gjør. Lange inndata deles opp i setninger, slik at prosodien ikke videreføres gjennom en hel tekst.

Valget av distribusjonsløsning er derfor konkret: ptts håndterer én privat strøm på brukerens maskinvare, mens Transformers håndterer satsvis GPU-talesyntese. I begge løsningene inngår klargjøring av stemmer og språktilpasset håndtering av tall, symboler og adresser i integrasjonen, i tillegg til selve kontrollpunktet.