Phonon TTS บนอุปกรณ์ของ Gradium มียอดดาวน์โหลดทะลุ 200,000 ครั้งในสองสัปดาห์

Gradium รายงานเมื่อวันที่ 5 พฤศจิกายน 2026 ว่าโมเดลแปลงข้อความเป็นเสียง Phonon สำหรับใช้งานบนอุปกรณ์มียอดดาวน์โหลดมากกว่า 200,000 ครั้งในช่วงสองสัปดาห์แรก ในการอัปเดตทางเทคนิคที่เผยแพร่บน Hugging Face

Gradium ระบุว่า Phonon ครองอันดับหนึ่งด้านความเข้าใจได้ในภาษาเยอรมันและสเปนบน Open TTS Leaderboard และติดสามอันดับแรกในทุกภาษาที่นำมาประเมิน โดยแข่งขันกับโมเดลที่มีขนาดใหญ่กว่าถึง 100 เท่า

กราฟของ Gradium ซึ่งแสดงเวลาไปจนถึงเสียงแรกบน CPU ที่เปอร์เซ็นไทล์ที่ 95 จัดให้ Phonon 31m ภาษาอังกฤษอยู่อันดับหนึ่งที่ 28 มิลลิวินาที และ Phonon 40m ภาษาอังกฤษอยู่อันดับสองที่ 38 มิลลิวินาที ส่วน Pocket TTS ใช้เวลา 165 มิลลิวินาที ค่าที่ต่ำกว่าถือว่าดีกว่า เวลาไปจนถึงเสียงแรกวัดระยะเวลาที่ผู้ใช้ต้องรอจนได้เสียงพูดที่เล่นได้ จึงเกี่ยวข้องโดยตรงกับเอเจนต์เสียงและแอปพลิเคชันเชิงโต้ตอบอื่น ๆ

การจัดอันดับวัดอะไรบ้าง

รายงานติดตามผลอธิบายการประเมินใน 23 ภาษา โดยวัดความเข้าใจได้ อัตราเวลาจริงผกผัน เวลาไปจนถึงเสียงแรก และตัวชี้วัดความเป็นธรรมชาติแบบอัตโนมัติ พร้อมเพิ่มการวัดความคล้ายคลึงของเสียงผู้พูดสำหรับการโคลนเสียง ระเบียบวิธีจัดอันดับของ Hugging Face คำนวณความเข้าใจได้โดยเปรียบเทียบข้อความถอดเสียงจากระบบรู้จำเสียงพูดอัตโนมัติกับข้อความต้นฉบับ โดยใช้อัตราความผิดพลาดระดับคำหรือตัวอักษร

การทดสอบการสตรีมประมวลผลทีละข้อความพูด โดยใช้ข้อความทดสอบมาตรฐานและฮาร์ดแวร์เดียวกัน สำหรับโมเดลที่ไม่มีส่วนติดต่อสำหรับสตรีม เวลาที่วัดจะครอบคลุมการสร้างข้อความพูดทั้งหมด เพราะไม่สามารถเริ่มเล่นเสียงก่อนหน้านั้นได้ ส่วนการประเมินการโคลนเสียงจะแยกเปรียบเทียบเวกเตอร์ฝังตัวของผู้พูดจากเสียงที่สร้างขึ้นกับคลิปเสียงอ้างอิง

Hugging Face เตือนว่าอัตราความผิดพลาดที่อิงจากการรู้จำเสียงเป็นเพียงตัวแทนสำหรับประเมินความเข้าใจได้ ขณะที่ความคล้ายคลึงของเวกเตอร์ฝังตัวใช้ประมาณการว่าลักษณะเฉพาะของเสียงผู้พูดยังคงเดิมเพียงใด การวัดทั้งสองอย่างไม่ได้บ่งชี้โดยตรงถึงความเป็นธรรมชาติ การถ่ายทอดอารมณ์ หรือความชอบของผู้ฟัง ดังนั้นการจัดอันดับอัตโนมัติจึงใช้แทนการทดสอบความชอบของมนุษย์ไม่ได้ แท็บ Listen เปิดให้ผู้เข้าชมเปรียบเทียบเสียงที่สร้างขึ้นซึ่งอยู่เบื้องหลังตัวชี้วัดและลงคะแนนให้เสียงเหล่านั้นได้

การเปิดเผยน้ำหนักโมเดลและเงื่อนไขเชิงพาณิชย์

มีการเผยแพร่โมเดลที่เปิดให้เข้าถึงน้ำหนักเมื่อวันที่ 20 ตุลาคม 2026 ดังนั้นการเปิดเผยข้อมูลครั้งใหม่นี้จึงเป็นการอัปเดตเกี่ยวกับการนำไปใช้ในช่วงแรกและการประเมิน ไม่ใช่การเปิดตัวโมเดลแยกต่างหาก การ์ดข้อมูลโมเดล Phonon 31m ภาษาอังกฤษ ระบุน้ำหนักโมเดลแบบควอนไทซ์ 8 บิตขนาด 64.5 MB ภายใต้สัญญาอนุญาต Apache 2.0 ซึ่งอนุญาตให้ใช้ในเชิงพาณิชย์ได้

โมเดลรุ่น 40m มีน้ำหนักแบบควอนไทซ์ขนาด 74.6 MB และรองรับภาษาอังกฤษ ฝรั่งเศส เยอรมัน สเปน และโปรตุเกส ภายใต้สัญญาอนุญาต CC BY-NC 4.0 โดยมีให้เลือกทั้งเช็กพอยต์แยกตามภาษาและโมเดลหลายภาษาแบบรวม สำหรับผลิตภัณฑ์เชิงพาณิชย์ที่สร้างบนเช็กพอยต์ซึ่งไม่อนุญาตให้ใช้ในเชิงพาณิชย์เหล่านั้น Gradium คิดค่าลิขสิทธิ์ตามจำนวนผู้ใช้ ไม่ใช่ตามปริมาณเสียงที่สร้างขึ้น

Phonon สร้างเสียงโมโนที่ 24 kHz และสตรีมเสียงพูดได้ในระหว่างที่ยังสร้างเสียงอยู่ โดยออกแบบมาสำหรับผู้ช่วยออฟไลน์ เครื่องมือด้านการเข้าถึง เกม และแอปพลิเคชันเชิงโต้ตอบที่ไม่สามารถรอให้ส่งข้อมูลไปกลับผ่านคลาวด์ได้ ทั้งยังเก็บข้อความไว้บนอุปกรณ์ของผู้ใช้ มีเสียงสำเร็จรูปให้เลือกใช้มากกว่า 100 เสียง นอกจากนี้ Gradium Studio ยังโคลนเสียงจากไฟล์บันทึกเสียงสั้น ๆ ได้เมื่อได้รับความยินยอมจากผู้พูด หรือออกแบบเสียงจากคำอธิบายที่เป็นข้อความเพื่อดาวน์โหลดและใช้งานในเครื่องได้

แนวทางการนำไปใช้งานและข้อจำกัด

รันไทม์ ptts ของ Gradium เขียนด้วย Rust และไม่จำเป็นต้องใช้ PyTorch รองรับแบ็กเอนด์ CPU, GPU และ NPU ในระบบ Intel, Arm, WebAssembly, CUDA, Vulkan, Metal, WebGPU, Apple Core ML และฮาร์ดแวร์ Snapdragon ที่รองรับ แพ็กเกจต่าง ๆ รองรับการผสานการทำงานบนเบราว์เซอร์ อุปกรณ์เคลื่อนที่ เดสก์ท็อป และเซิร์ฟเวอร์ภายในเครื่อง

นอกจากนี้ยังมี Phonon ให้ใช้งานใน Transformers ตั้งแต่เวอร์ชัน 5.21 ในรูปแบบการใช้งาน PyTorch สำหรับอ้างอิง ขณะที่ ptts มุ่งเน้นการสตรีมเดียวบนอุปกรณ์ Transformers มุ่งเพิ่มอัตราการประมวลผลบน GPU ด้วยการสร้างเสียงแบบเป็นชุดและการสร้างกราฟแบบเต็มรูปแบบ torch.compile. เอกสารประกอบของ Transformers อธิบายว่าโมเดลทรานส์ฟอร์เมอร์เชิงสาเหตุจะสร้างค่าแฝงเสียงต่อเนื่องขนาด 32 มิติที่ความถี่ 12.5 Hz เพื่อนำไปถอดรหัสเป็นเสียง 24 kHz โดยกำหนดเสียงพูดด้วยค่าแฝงของผู้พูดที่คำนวณไว้ล่วงหน้าขนาด 512 มิติ

กลไกเหล่านี้ทำให้งานผสานการทำงานบางส่วนต้องทำอยู่นอกเช็กพอยต์ ตัวแปลงรหัสเสียงพูดยังไม่เปิดเผย และโทเคนไนเซอร์เสียงถอดรหัสได้อย่างเดียว ดังนั้น Transformers จึงไม่สามารถโคลนเสียงจากไฟล์บันทึกเสียงได้โดยตรง นอกจากนี้ โทเคนไนเซอร์ยังไม่ขยายตัวเลข จำนวนเงิน สัญลักษณ์ หรือที่อยู่ให้เป็นข้อความอ่านออกเสียงเหมือนรันไทม์ของ Gradium ส่วนอินพุตยาวจะถูกแบ่งเป็นประโยค ทำให้จังหวะและท่วงทำนองการพูดไม่ต่อเนื่องตลอดทั้งข้อความ

ดังนั้นทางเลือกในการนำไปใช้งานจึงแตกต่างกันอย่างชัดเจน: ptts รองรับการสตรีมเดียวแบบส่วนตัวบนฮาร์ดแวร์ของผู้ใช้ ส่วน Transformers รองรับการสร้างเสียงบน GPU แบบเป็นชุด ในทั้งสองแนวทาง การเตรียมเสียงและการจัดการตัวเลข สัญลักษณ์ และที่อยู่ให้สอดคล้องกับภาษา ยังคงเป็นส่วนหนึ่งของงานผสานการทำงานควบคู่ไปกับตัวเช็กพอยต์เอง