Phonon TTS de la Gradium, disponibil direct pe dispozitiv, depășește 200.000 de descărcări în două săptămâni

Gradium a anunțat la 5 noiembrie 2026 că modelele sale Phonon de sinteză vocală de pe dispozitiv au fost descărcate de peste 200.000 de ori în primele două săptămâni, într-o actualizare tehnică publicată pe Hugging Face.

Gradium a declarat că Phonon s-a clasat pe primul loc la inteligibilitate în germană și spaniolă pe Open TTS Leaderboard și în primele trei locuri pentru fiecare limbă evaluată, alături de modele de până la 100 de ori mai mari.

Graficul Gradium privind timpul până la primul sunet pe CPU, la percentila 95, a plasat Phonon 31m English pe primul loc, cu 28 de milisecunde, și Phonon 40m English pe al doilea loc, cu 38 de milisecunde; Pocket TTS a înregistrat 165 de milisecunde. Valorile mai mici sunt mai bune. Timpul până la primul sunet măsoară cât așteaptă un utilizator până când poate asculta vorbirea generată, fiind astfel direct relevant pentru agenții vocali și alte aplicații interactive.

Ce măsoară clasamentele

Actualizarea descrie evaluarea în 23 de limbi, care a măsurat inteligibilitatea, factorul invers de timp real, timpul până la primul sunet și indicatori automatizați ai naturaleții, adăugând și similaritatea vocii în cazul clonării vocale. Metodologia clasamentului Hugging Face calculează inteligibilitatea comparând transcrierile obținute prin recunoaștere automată a vorbirii cu mesajele originale, folosind ratele de eroare la nivel de cuvânt sau de caracter.

Testele de streaming rulează câte o rostire pe rând, folosind mesaje uzuale și același hardware. Pentru modelele fără interfață de streaming, timpul măsurat acoperă generarea întregii rostiri, deoarece redarea nu poate începe mai devreme. Evaluările clonării vocale compară separat reprezentările vectoriale ale vocii obținute din sunetul generat cu cele dintr-un fragment de referință.

Hugging Face avertizează că ratele de eroare bazate pe recunoaștere sunt un indicator indirect al inteligibilității, în timp ce similaritatea reprezentărilor vectoriale estimează măsura în care se păstrează identitatea vocii. Niciuna dintre măsurători nu stabilește în mod direct naturalețea, expresivitatea sau preferința ascultătorilor, astfel că aceste clasamente automatizate nu înlocuiesc testarea preferințelor umane. O filă „Ascultă” le permite vizitatorilor să compare mostrele audio generate, pe care se bazează indicatorii, și să voteze.

Ponderi deschise și termeni comerciali

Modelul cu ponderi deschise a fost lansat la 20 octombrie 2026, ceea ce face din noua dezvăluire o actualizare timpurie privind adoptarea și evaluarea, nu debutul unui model separat. Fișa modelului Phonon 31m pentru engleză indică ponderi cuantizate pe 8 biți, de 64,5 MB, sub licența Apache 2.0, care permite utilizarea comercială.

Variantele 40m au ponderi cuantizate de 74,6 MB și acoperă engleza, franceza, germana, spaniola și portugheza sub licența CC BY-NC 4.0, fie prin puncte de control separate pentru fiecare limbă, fie printr-un singur model multilingv. Pentru produsele comerciale bazate pe aceste puncte de control necomerciale, Gradium stabilește prețul licenței în funcție de numărul de utilizatori, nu de cantitatea de vorbire generată.

Phonon generează sunet mono la 24 kHz și poate transmite vorbirea în flux în timp ce generarea continuă. Este destinat asistenților care funcționează offline, instrumentelor de accesibilitate, jocurilor și aplicațiilor interactive care nu pot aștepta o solicitare dus-întors către cloud, păstrând în același timp textul pe dispozitivul utilizatorului. Sunt disponibile peste 100 de voci încorporate. Gradium Studio poate, de asemenea, să cloneze o voce pornind de la o înregistrare scurtă, cu consimțământul vorbitorului, sau să creeze una pe baza unei descrieri text, pentru descărcare și utilizare locală.

Opțiuni de implementare și limitări

Motorul ptts de la Gradium este scris în Rust și nu necesită PyTorch. Acesta acceptă backenduri pentru CPU, GPU și NPU, compatibile cu Intel, Arm, WebAssembly, CUDA, Vulkan, Metal, WebGPU, Apple Core ML și anumite componente hardware Snapdragon. Pachetele sale acoperă integrări pentru browser, dispozitive mobile, computere desktop și servere locale.

Phonon este disponibil și în Transformers, începând cu versiunea 5.21, ca implementare de referință în PyTorch. În timp ce ptts se concentrează pe un singur flux de generare pe dispozitiv, Transformers urmărește un debit mai mare pe GPU, prin generare pe loturi și execuție pe întregul graf torch.compile. Documentația Transformers descrie un transformer cauzal care produce reprezentări latente audio continue, cu 32 de dimensiuni, la 12,5 Hz, pentru decodarea în sunet la 24 kHz. Vocile sunt furnizate sub forma unor reprezentări latente precalculate ale vorbitorului, cu 512 dimensiuni.

Aceste particularități implică anumite lucrări de integrare care nu sunt incluse în punctul de control. Codec-ul pentru vorbitor nu a fost lansat, iar tokenizerul audio funcționează doar la decodare, astfel că Transformers nu poate clona direct voci din înregistrări. De asemenea, tokenizerul său nu extinde numerele, sumele, simbolurile sau adresele așa cum o face motorul Gradium. Intrările lungi sunt împărțite în propoziții, ceea ce împiedică intonația să se păstreze pe parcursul întregului text.

Prin urmare, alegerea opțiunii de implementare este clară: ptts gestionează un singur flux privat pe hardware-ul utilizatorului, în timp ce Transformers permite sinteza pe GPU în loturi. În ambele variante, pregătirea vocilor și tratarea numerelor, simbolurilor și adreselor în funcție de limbă rămân parte a integrării, pe lângă punctul de control propriu-zis.