Synteza mowy Phonon firmy Gradium na urządzeniu osiągnęła 200 000 pobrań w dwa tygodnie

Gradium poinformowało 5 listopada 2026 r., że w ciągu pierwszych dwóch tygodni modele Phonon do syntezy mowy na urządzeniu pobrano ponad 200 000 razy, w uzupełniającym opracowaniu technicznym opublikowanym na Hugging Face.

Gradium poinformowało, że Phonon zajęło pierwsze miejsce pod względem zrozumiałości w języku niemieckim i hiszpańskim w rankingu Open TTS Leaderboard oraz znalazło się w pierwszej trójce w każdym z ocenianych języków, konkurując z modelami nawet 100 razy większymi.

Na wykresie Gradium przedstawiającym 95. percentyl czasu od rozpoczęcia obliczeń na procesorze do uzyskania pierwszego dźwięku model Phonon 31m English zajął pierwsze miejsce z wynikiem 28 milisekund, a Phonon 40m English – drugie z wynikiem 38 milisekund; Pocket TTS uzyskał 165 milisekund. Niższe wartości są lepsze. Czas do uzyskania pierwszego dźwięku określa, jak długo użytkownik czeka na mowę gotową do odtworzenia, dlatego ma bezpośrednie znaczenie dla agentów głosowych i innych interaktywnych aplikacji.

Co mierzą rankingi

W opracowaniu uzupełniającym opisano ocenę 23 języków pod kątem zrozumiałości, odwrotnego współczynnika czasu rzeczywistego, czasu do uzyskania pierwszego dźwięku i automatycznych miar naturalności, a w przypadku klonowania głosu uwzględniono także podobieństwo głosu. Metodologia rankingu Hugging Face określa zrozumiałość, porównując transkrypcje automatycznego rozpoznawania mowy z oryginalnymi tekstami wejściowymi za pomocą wskaźników błędów słów lub znaków.

Testy strumieniowania przeprowadza się, przetwarzając po jednej wypowiedzi, z użyciem typowych tekstów wejściowych i tego samego sprzętu. W przypadku modeli bez interfejsu strumieniowania pomiar obejmuje wygenerowanie całej wypowiedzi, ponieważ wcześniej nie można rozpocząć odtwarzania. W testach klonowania głosu osobno porównuje się osadzenia mówcy uzyskane z wygenerowanego dźwięku i próbki referencyjnej.

Hugging Face zastrzega, że wskaźniki błędów oparte na rozpoznawaniu mowy są przybliżoną miarą zrozumiałości, a podobieństwo osadzeń pozwala oszacować zachowanie tożsamości głosu. Żaden z tych pomiarów nie określa bezpośrednio naturalności, ekspresyjności ani preferencji słuchaczy, dlatego automatyczne rankingi nie zastępują testów preferencji z udziałem ludzi. Karta „Listen” pozwala odwiedzającym porównywać wygenerowane nagrania, na których oparto wyniki, i głosować na nie.

Otwarte wagi i warunki komercyjne

Model z otwartymi wagami udostępniono 20 października 2026 r., dlatego nowe informacje dotyczą wczesnego etapu wdrażania i oceny, a nie premiery odrębnego modelu. Karta modelu Phonon 31m English podaje, że skwantyzowane do 8 bitów wagi zajmują 64,5 MB i są dostępne na licencji Apache 2.0, która zezwala na użytek komercyjny.

Warianty 40m mają skwantyzowane wagi o rozmiarze 74,6 MB i obsługują języki angielski, francuski, niemiecki, hiszpański i portugalski. Są dostępne jako osobne modele dla poszczególnych języków lub jeden model wielojęzyczny na licencji CC BY-NC 4.0. W przypadku produktów komercyjnych opartych na tych modelach, których licencja wyklucza użytek komercyjny, Gradium ustala opłaty licencyjne na podstawie liczby użytkowników, a nie ilości wygenerowanej mowy.

Phonon generuje dźwięk mono o częstotliwości próbkowania 24 kHz i może strumieniować mowę w trakcie jej generowania. Jest przeznaczony do asystentów działających bez połączenia z internetem, narzędzi ułatwień dostępu, gier i interaktywnych aplikacji, które nie mogą czekać na przesłanie danych do chmury i z powrotem, a jednocześnie mają przechowywać tekst na urządzeniu użytkownika. Dostępnych jest ponad 100 wbudowanych głosów. Gradium Studio umożliwia także sklonowanie głosu na podstawie krótkiego nagrania, za zgodą mówcy, lub zaprojektowanie głosu na podstawie opisu tekstowego, a następnie pobranie go i używanie lokalnie.

Sposoby wdrażania i ograniczenia

Środowisko uruchomieniowe ptts firmy Gradium napisano w Rust i nie wymaga ono PyTorch. Obsługuje zaplecza dla procesorów CPU, GPU i NPU, w tym Intel, Arm, WebAssembly, CUDA, Vulkan, Metal, WebGPU, Apple Core ML oraz obsługiwany sprzęt Snapdragon. Dostępne pakiety umożliwiają integrację z przeglądarkami, urządzeniami mobilnymi i komputerami oraz serwerami lokalnymi.

Phonon jest również dostępny w Transformers od wersji 5.21 jako referencyjna implementacja w PyTorch. Podczas gdy ptts koncentruje się na pojedynczym strumieniu przetwarzanym na urządzeniu, Transformers służy do zwiększania przepustowości GPU dzięki generowaniu wsadowemu i pełnym grafom obliczeniowym torch.compile. Dokumentacja Transformers opisuje transformator przyczynowy, który generuje ciągłe, 32-wymiarowe reprezentacje ukryte dźwięku z częstotliwością 12,5 Hz, a następnie dekoduje je do dźwięku o częstotliwości próbkowania 24 kHz. Głosy są dostarczane w postaci wstępnie obliczonych, 512-wymiarowych reprezentacji ukrytych mówcy.

Wskutek tych rozwiązań część prac integracyjnych trzeba wykonać poza modelem. Kodek mówcy nie został udostępniony, a tokenizator audio działa wyłącznie jako dekoder, więc Transformers nie może bezpośrednio klonować głosów z nagrań. Tokenizator nie rozwija też liczb, kwot, symboli ani adresów tak jak środowisko uruchomieniowe Gradium. Długie teksty są dzielone na zdania, przez co intonacja nie może być zachowana w całym tekście.

Wybór sposobu wdrożenia ma zatem konkretne konsekwencje: ptts obsługuje pojedynczy, prywatny strumień na sprzęcie użytkownika, a Transformers służy do wsadowej syntezy z użyciem GPU. W obu przypadkach przygotowanie głosu i uwzględniająca specyfikę języka obsługa liczb, symboli i adresów pozostają częścią integracji, podobnie jak sam model.