O TTS Phonon da Gradium, executado no dispositivo, ultrapassa 200.000 downloads em duas semanas

Em 5 de novembro de 2026, a Gradium informou que seus modelos de síntese de fala Phonon para execução no dispositivo haviam sido baixados mais de 200.000 vezes nas primeiras duas semanas, em um acompanhamento técnico publicado no Hugging Face.

A Gradium afirmou que o Phonon ficou em primeiro lugar em inteligibilidade em alemão e espanhol no Open TTS Leaderboard e entre os três primeiros em todos os idiomas avaliados, ao lado de modelos até 100 vezes maiores.

No gráfico da Gradium, que compara o tempo até o primeiro áudio no percentil 95 usando CPU, o Phonon 31m English ficou em primeiro lugar, com 28 milissegundos, e o Phonon 40m English, em segundo, com 38 milissegundos; o Pocket TTS registrou 165 milissegundos. Quanto menor o valor, melhor. O tempo até o primeiro áudio mede quanto tempo o usuário espera para ouvir uma fala reproduzível, sendo diretamente relevante para agentes de voz e outras aplicações interativas.

O que as classificações medem

O acompanhamento descreve uma avaliação em 23 idiomas que abrange inteligibilidade, fator de tempo real inverso, tempo até o primeiro áudio e medidas automatizadas de naturalidade, além da similaridade de voz para clonagem. A metodologia do ranking do Hugging Face calcula a inteligibilidade comparando transcrições de reconhecimento automático de fala com os comandos originais, usando taxas de erro por palavra ou por caractere.

Os testes de streaming processam um enunciado por vez, usando comandos comuns e o mesmo hardware. Para os modelos sem interface de streaming, o tempo registrado corresponde à geração do enunciado inteiro, já que a reprodução não pode começar antes. As avaliações de clonagem de voz comparam separadamente as incorporações de locutor extraídas do áudio gerado e de um clipe de referência.

O Hugging Face alerta que as taxas de erro baseadas em reconhecimento são uma aproximação da inteligibilidade, enquanto a similaridade entre incorporações estima a preservação da identidade vocal. Nenhuma das duas medidas determina diretamente a naturalidade, a expressividade ou a preferência dos ouvintes; portanto, as classificações automatizadas não substituem os testes de preferência com pessoas. Uma aba Ouvir permite que os visitantes comparem os áudios gerados que fundamentam as métricas e votem neles.

Pesos abertos e termos comerciais

O lançamento dos pesos abertos ocorreu em 20 de outubro de 2026, o que faz da nova divulgação uma atualização inicial sobre adoção e avaliação, e não a estreia de um modelo separado. O cartão do modelo Phonon 31m em inglês informa que os pesos quantizados em 8 bits ocupam 64,5 MB e são distribuídos sob a licença Apache 2.0, que permite o uso comercial.

As variantes 40m têm 74,6 MB de pesos quantizados e abrangem inglês, francês, alemão, espanhol e português sob a licença CC BY-NC 4.0, por meio de pontos de verificação separados por idioma ou de um único modelo multilíngue. Para produtos comerciais desenvolvidos com esses pontos de verificação não comerciais, a Gradium calcula o preço da licença com base no número de usuários, e não na quantidade de fala gerada.

O Phonon produz áudio mono de 24 kHz e pode transmitir a fala enquanto a geração continua. Foi projetado para assistentes offline, ferramentas de acessibilidade, jogos e aplicações interativas que não podem esperar pelo tempo de ida e volta à nuvem, mantendo o texto no dispositivo do usuário. Há mais de 100 vozes integradas disponíveis. O Gradium Studio também pode clonar uma voz a partir de uma gravação curta, com o consentimento do locutor, ou criar uma voz com base em uma descrição textual, para download e uso local.

Opções e limites de implantação

O ambiente de execução ptts da Gradium é escrito em Rust e não requer PyTorch. É compatível com back-ends de CPU, GPU e NPU que abrangem Intel, Arm, WebAssembly, CUDA, Vulkan, Metal, WebGPU, Apple Core ML e hardware Snapdragon compatível. Seus pacotes oferecem integrações para navegador, dispositivos móveis, computadores e servidores locais.

O Phonon também está disponível no Transformers a partir da versão 5.21, como implementação de referência em PyTorch. Enquanto o ptts se concentra em um único fluxo no dispositivo, o Transformers visa maximizar o processamento em GPU por meio da geração em lote e de grafos completos torch.compile. A documentação do Transformers descreve um transformador causal que produz representações latentes de áudio contínuas de 32 dimensões a 12,5 Hz, para decodificação em áudio de 24 kHz. As vozes são fornecidas como representações latentes de locutor pré-computadas de 512 dimensões.

Esses aspectos técnicos deixam parte do trabalho de integração a cargo de quem implementa a solução. O codec de locutor ainda não foi lançado e o tokenizador de áudio funciona apenas como decodificador; por isso, o Transformers não consegue clonar vozes diretamente de gravações. Seu tokenizador também não expande números, quantias, símbolos ou endereços como faz o ambiente de execução da Gradium. As entradas longas são divididas em frases, o que impede que a prosódia se mantenha ao longo de todo o texto.

A escolha de implantação é, portanto, concreta: o ptts atende a um único fluxo privado no hardware do usuário, enquanto o Transformers realiza síntese em lote na GPU. Em ambos os casos, a preparação das vozes e o tratamento de números, símbolos e endereços com atenção ao idioma continuam fazendo parte da integração, além do próprio ponto de verificação.