Локальная модель синтеза речи Phonon от Gradium преодолела отметку в 200 000 загрузок за две недели

5 ноября 2026 года Gradium сообщила, что за первые две недели модели синтеза речи Phonon для локального запуска скачали более 200 000 раз. Об этом говорится в техническом дополнении, опубликованном на Hugging Face.

По словам Gradium, Phonon заняла первое место по разборчивости речи на немецком и испанском языках в рейтинге Open TTS Leaderboard и вошла в тройку лидеров по каждому из языков, которые оценивались, наряду с моделями, размер которых превышает её собственный вплоть до 100 раз.

На графике Gradium, где показано время до первого звука на ЦП на уровне 95-го процентиля, Phonon 31m для английского языка заняла первое место с результатом 28 мс, а Phonon 40m для английского — второе с результатом 38 мс; показатель Pocket TTS составил 165 мс. Чем меньше значение, тем лучше. Время до первого звука показывает, как долго пользователь ждёт возможности прослушать речь, поэтому этот показатель напрямую важен для голосовых агентов и других интерактивных приложений.

Что измеряют рейтинги

В дополнении описана оценка по 23 языкам, учитывающая разборчивость речи, обратный коэффициент реального времени, время до первого звука и автоматические показатели естественности; при клонировании голоса также оценивается сходство голосов. Согласно методике рейтинга Hugging Face, разборчивость рассчитывается путём сравнения расшифровок, полученных системой автоматического распознавания речи, с исходными запросами по показателям ошибок на уровне слов или символов.

Потоковые тесты проводят по одному высказыванию за раз, используя типовые запросы и одинаковое оборудование. Для моделей без потокового интерфейса замер охватывает генерацию всего высказывания, поскольку начать воспроизведение раньше невозможно. При оценке клонирования голоса отдельно сравниваются голосовые эмбеддинги, полученные из сгенерированного аудио и эталонного фрагмента.

Hugging Face предупреждает, что показатели ошибок, основанные на распознавании, служат косвенной оценкой разборчивости речи, а сходство эмбеддингов позволяет оценить сохранение индивидуальности голоса. Ни один из этих показателей напрямую не определяет естественность, выразительность или предпочтения слушателей, поэтому автоматические рейтинги не заменяют тестирование с участием людей. На вкладке «Прослушать» посетители могут сравнить сгенерированные аудиозаписи, на которых основаны показатели, и проголосовать за них.

Открытые веса и условия коммерческого использования

Модель с открытыми весами вышла 20 октября 2026 года, поэтому новое сообщение посвящено ранним результатам внедрения и оценки, а не отдельному запуску модели. В карточке английской модели Phonon 31m указано, что её веса после 8-битной квантования занимают 64,5 МБ и распространяются по лицензии Apache 2.0, которая разрешает коммерческое использование.

Квантованные веса вариантов 40m занимают 74,6 МБ; модели поддерживают английский, французский, немецкий, испанский и португальский языки — в виде отдельных языковых контрольных точек или одной многоязычной модели. Для коммерческих продуктов на основе этих контрольных точек, предназначенных только для некоммерческого использования, Gradium рассчитывает стоимость лицензии по числу пользователей, а не по объёму сгенерированной речи.

Phonon генерирует монофонический звук с частотой дискретизации 24 кГц и может передавать речь потоком, пока продолжается её генерация. Модель предназначена для автономных помощников, средств обеспечения доступности, игр и интерактивных приложений, которые не могут ждать обмена данными с облаком; при этом текст остаётся на устройстве пользователя. Доступно более 100 встроенных голосов. В Gradium Studio также можно клонировать голос по короткой записи с согласия говорящего или создать голос по текстовому описанию, чтобы скачать его и использовать локально.

Варианты развёртывания и ограничения

Среда выполнения ptts от Gradium написана на Rust и не требует PyTorch. Она поддерживает вычисления на ЦП, ГП и НПУ, в том числе на платформах Intel и Arm, в WebAssembly, CUDA, Vulkan, Metal и WebGPU, а также в Apple Core ML и на поддерживаемом оборудовании Snapdragon. Пакеты позволяют интегрировать модель в браузеры, мобильные и настольные приложения, а также локальные серверы.

Начиная с версии 5.21 Phonon также доступна в Transformers в виде эталонной реализации на PyTorch. Если ptts рассчитана на один поток на устройстве, то Transformers ориентирована на высокую пропускную способность ГП благодаря пакетной генерации и построению полного графа torch.compile. В документации Transformers описан каузальный трансформер, который формирует непрерывные аудиолатенты размерностью 32 с частотой 12,5 Гц для последующего декодирования в аудио с частотой дискретизации 24 кГц. Для голосов используются предварительно вычисленные латенты диктора размерностью 512.

Из-за особенностей этой реализации часть интеграционных работ необходимо выполнять отдельно от контрольной точки модели. Кодек диктора не опубликован, а аудиотокенизатор работает только с декодером, поэтому Transformers не может напрямую клонировать голоса по записям. Кроме того, токенизатор не преобразует числа, суммы, символы и адреса в расширенную форму, как это делает среда выполнения Gradium. Длинные тексты разбиваются на предложения, из-за чего просодия не сохраняется на протяжении всего текста.

Таким образом, выбор способа развёртывания зависит от конкретной задачи: ptts обрабатывает один приватный поток на устройстве пользователя, а Transformers выполняет пакетный синтез на ГП. В обоих случаях интеграция, помимо самой контрольной точки модели, включает подготовку голоса и обработку чисел, символов и адресов с учётом языка.