Gradiums text-till-tal (TTS) på enheten Phonon passerar 200 000 nedladdningar på två veckor

Gradium uppgav den 5 november 2026 att företagets text-till-tal-modeller Phonon för enheter hade laddats ned mer än 200 000 gånger under de första två veckorna, i en teknisk uppföljning som publicerades på Hugging Face.

Gradium uppgav att Phonon hamnade på första plats för begriplighet på tyska och spanska på Open TTS Leaderboard och bland de tre främsta på alla språk som utvärderades, jämsides med modeller som är upp till 100 gånger större.

I Gradiums diagram över CPU-tiden till första ljudet vid den 95:e percentilen hamnade Phonon 31m English på första plats med 28 millisekunder och Phonon 40m English på andra plats med 38 millisekunder, medan Pocket TTS låg på 165 millisekunder. Lägre värden är bättre. Tiden till första ljudet mäter hur länge en användare väntar på tal som går att spela upp, vilket gör måttet direkt relevant för röstassistenter och andra interaktiva tillämpningar.

Vad rankningarna mäter

Uppföljningen beskriver en utvärdering på 23 språk som omfattar begriplighet, invers realtidsfaktor, tid till första ljudet och automatiska mått på naturlighet, med talarlikhet som tillägg för röstkloning. Hugging Faces metodik för rankningslistan beräknar begriplighet genom att jämföra transkriptioner från automatisk taligenkänning med de ursprungliga uppmaningarna med hjälp av ord- eller teckenfelsfrekvens.

Strömningstesterna körs med ett yttrande åt gången, med vanliga uppmaningar och samma maskinvara. För modeller utan strömningsgränssnitt omfattar tidsmätningen genereringen av hela yttrandet, eftersom uppspelningen inte kan börja tidigare. Vid utvärdering av röstkloning jämförs talarinbäddningar från det genererade ljudet separat med en referensinspelning.

Hugging Face påpekar att felfrekvenser baserade på taligenkänning är ett indirekt mått på begriplighet, medan likhet mellan inbäddningar uppskattar hur väl röstidentiteten bevaras. Inget av måtten fastställer direkt naturlighet, uttrycksfullhet eller lyssnarnas preferenser, så automatiska rankningar ersätter inte tester av mänskliga preferenser. På fliken Lyssna kan besökare jämföra de genererade ljudresultaten bakom mätvärdena och rösta på dem.

Öppna vikter och kommersiella villkor

Den underliggande utgåvan med öppna vikter kom den 20 oktober 2026, vilket gör den nya informationen till en tidig uppdatering om användning och utvärdering snarare än en separat modellpremiär. Modellkortet för engelska Phonon 31m anger att de 8-bitarskvantiserade vikterna är 64,5 MB och omfattas av Apache 2.0-licensen, som tillåter kommersiell användning.

40m-varianterna har 74,6 MB kvantiserade vikter och omfattar engelska, franska, tyska, spanska och portugisiska under licensen CC BY-NC 4.0, antingen via separata språkmodeller eller en enda flerspråkig modell. För kommersiella produkter som bygger på dessa modeller med icke-kommersiell licens tar Gradium ut licensavgifter baserade på antalet användare, inte på mängden genererat tal.

Phonon producerar ljud i mono med 24 kHz samplingsfrekvens och kan strömma tal medan genereringen fortsätter. Modellen är avsedd för assistenter utan internetanslutning, hjälpmedel, spel och interaktiva tillämpningar som inte kan vänta på en fördröjning fram och tillbaka till molnet, samtidigt som texten stannar på användarens enhet. Mer än 100 inbyggda röster finns tillgängliga. Gradium Studio kan också klona en röst från en kort inspelning med talarens samtycke eller skapa en röst utifrån en textbeskrivning för nedladdning och lokal användning.

Driftsättningsalternativ och begränsningar

Gradiums körmiljö ptts är skriven i Rust och kräver inte PyTorch. Den stöder CPU-, GPU- och NPU-bakdelar för bland annat Intel, Arm, WebAssembly, CUDA, Vulkan, Metal, WebGPU, Apple Core ML och maskinvara med stöd för Snapdragon. Paketen omfattar integrationer för webbläsare, mobiler, stationära datorer och lokala servrar.

Phonon finns också i Transformers från och med version 5.21 som en PyTorch-referensimplementation. Medan ptts fokuserar på en enda ström på enheten är Transformers inriktat på GPU-genomströmning med satsvis generering och fullständig graf torch.compile. Dokumentationen för Transformers beskriver en kausal transformer som producerar kontinuerliga ljudlatenter med 32 dimensioner vid 12,5 Hz, vilka avkodas till ljud med 24 kHz. Röster tillhandahålls som förberäknade talarlatenter med 512 dimensioner.

Dessa tekniska förutsättningar innebär att en del integrationsarbete inte ingår i modellkontrollpunkten. Talarkodeken har inte släppts och ljudtokeniseraren är endast en avkodare, så det går inte att klona röster direkt från inspelningar i Transformers. Dess tokeniserare expanderar inte heller tal, belopp, symboler eller adresser på samma sätt som Gradiums körmiljö gör. Långa indata delas upp i meningar, vilket hindrar prosodin från att löpa genom en hel text.

Valet av driftsättning är därför konkret: ptts hanterar en privat, enskild ström på användarens enhet, medan Transformers används för satsvis GPU-baserad talsyntes. I båda fallen ingår röstförberedelser och språkmedveten hantering av tal, symboler och adresser i integrationen, utöver själva modellkontrollpunkten.