Gradium’un Cihaz Üzerinde Çalışan Phonon TTS’si İki Haftada 200.000 İndirmeyi Aştı

Gradium, Phonon’un cihaz üzerinde çalışan metinden konuşmaya modellerinin ilk iki haftasında 200.000’den fazla kez indirildiğini 5 Kasım 2026’da Hugging Face’te yayımlanan teknik bir güncellemede bildirdi.

Gradium, Phonon’un Open TTS Leaderboard’da Almanca ve İspanyolca için anlaşılırlık sıralamasında ilk sırada, değerlendirdiği tüm dillerde ise boyutları kendisininkinin 100 katına kadar çıkan modellerle birlikte ilk üçte yer aldığını söyledi.

Gradium’un ilk sesin elde edilmesine kadar geçen CPU süresinin 95. yüzdelik dilimini gösteren grafiğinde, İngilizce Phonon 31m 28 milisaniyeyle ilk, İngilizce Phonon 40m ise 38 milisaniyeyle ikinci sırada yer aldı; Pocket TTS’nin süresi 165 milisaniyeydi. Daha düşük değerler daha iyidir. İlk sesin elde edilmesine kadar geçen süre, kullanıcının oynatılabilir konuşmayı beklediği süreyi ölçer; bu nedenle sesli ajanlar ve diğer etkileşimli uygulamalar açısından doğrudan önem taşır.

Sıralamalar Neyi Ölçüyor?

Güncellemede, 23 dilde anlaşılırlık, ters gerçek zaman katsayısı, ilk sesin elde edilmesine kadar geçen süre ve otomatik doğallık ölçümlerini kapsayan; ses klonlama içinse konuşmacı benzerliğini de içeren bir değerlendirme anlatılıyor. Hugging Face’in sıralama tablosu metodolojisi, otomatik konuşma tanıma transkriptlerini özgün istemlerle karşılaştırarak sözcük veya karakter hata oranlarına göre anlaşılırlığı hesaplıyor.

Akış testlerinde, yaygın istemler ve aynı donanım kullanılarak her seferinde tek bir ifade işleniyor. Akış arayüzü olmayan modellerde, oynatma daha erken başlayamadığı için süre, ifadenin tamamının üretilmesini kapsıyor. Ses klonlama değerlendirmelerinde, üretilen ses ile referans kayıttan elde edilen konuşmacı gömmeleri ayrı ayrı karşılaştırılıyor.

Hugging Face, konuşma tanımaya dayalı hata oranlarının anlaşılırlık için bir gösterge olduğunu, gömme benzerliğinin ise ses kimliğinin ne ölçüde korunduğunu tahmin ettiğini belirtiyor. Bu ölçümlerin hiçbiri doğallığı, ifade gücünü veya dinleyici tercihini doğrudan ortaya koymadığından otomatik sıralamalar, insan tercihine dayalı testlerin yerini tutmuyor. Dinle sekmesi, ziyaretçilerin ölçümlerin arkasındaki üretilmiş ses örneklerini karşılaştırmasına ve bunlara oy vermesine olanak tanıyor.

Açık Ağırlıklar ve Ticari Koşullar

Temel açık ağırlıklı sürüm 20 Ekim 2026’da yayımlandı; dolayısıyla bu yeni duyuru, ayrı bir model tanıtımından ziyade erken benimseme ve değerlendirme sürecine ilişkin bir güncelleme niteliğinde. İngilizce Phonon 31m model kartında, ticari kullanıma izin veren Apache 2.0 lisansı kapsamında 8 bit kuantize edilmiş 64,5 MB ağırlık bulunduğu belirtiliyor.

40m varyantlarının kuantize edilmiş ağırlıkları 74,6 MB boyutunda. Bu varyantlar; ayrı dil kontrol noktaları veya tek bir çok dilli model aracılığıyla, CC BY-NC 4.0 lisansı kapsamında İngilizce, Fransızca, Almanca, İspanyolca ve Portekizceyi destekliyor. Gradium, ticari olmayan bu kontrol noktaları üzerine kurulan ticari ürünler için lisans ücretini üretilen konuşma miktarına göre değil, kullanıcı sayısına göre belirliyor.

Phonon, tek kanallı 24 kHz ses üretir ve üretim devam ederken konuşmayı akış hâlinde sunabilir. Metni kullanıcının cihazında tutarken buluta gidip gelme süresini bekleyemeyen çevrimdışı asistanlar, erişilebilirlik araçları, oyunlar ve etkileşimli uygulamalar için tasarlanmıştır. 100’den fazla yerleşik ses seçeneği sunulur. Gradium Studio, konuşmacının izniyle kısa bir kayıttan ses klonlayabilir veya metin açıklamasına dayanarak indirilebilen ve yerel olarak kullanılabilen bir ses tasarlayabilir.

Dağıtım Seçenekleri ve Sınırlamalar

Gradium’un ptts çalışma zamanı Rust ile yazılmıştır ve PyTorch gerektirmez. Intel, Arm, WebAssembly, CUDA, Vulkan, Metal, WebGPU, Apple Core ML ve desteklenen Snapdragon donanımlarını kapsayan CPU, GPU ve NPU arka uçlarını destekler. Paketleri tarayıcı, mobil cihaz, masaüstü ve yerel sunucu entegrasyonlarını kapsar.

Phonon, 5.21 sürümünden itibaren Transformers’ta referans PyTorch uygulaması olarak da sunuluyor. ptts tek bir cihaz içi akışa odaklanırken Transformers, toplu üretim ve tam grafik üzerinden GPU verimini hedefliyor torch.compile. Transformers belgelerinde, 24 kHz sese çözümlenmek üzere 12,5 Hz’de sürekli 32 boyutlu ses gizil temsilleri üreten nedensel bir transformatör açıklanıyor. Sesler, önceden hesaplanmış 512 boyutlu konuşmacı gizil temsilleri aracılığıyla sağlanıyor.

Bu işleyiş nedeniyle bazı entegrasyon işleri kontrol noktası dışında kalıyor. Konuşmacı kodeği yayımlanmadı ve ses belirteçleyici yalnızca kod çözücüden oluşuyor; bu nedenle Transformers, doğrudan kayıtlardan ses klonlayamıyor. Ayrıca belirteçleyicisi, Gradium’un çalışma zamanının yaptığı gibi sayıları, miktarları, sembolleri veya adresleri açımlamıyor. Uzun girdiler cümlelere bölünüyor; bu da ezginin metnin tamamı boyunca sürmesini engelliyor.

Bu nedenle dağıtım tercihi somut bir ayrıma dayanıyor: ptts, kullanıcının donanımında özel ve tek bir akış sunarken Transformers, toplu GPU sentezi sağlıyor. Her iki seçenekte de ses hazırlığı ile sayıların, sembollerin ve adreslerin dile duyarlı biçimde ele alınması, kontrol noktasının yanı sıra entegrasyon sürecinin bir parçası olmaya devam ediyor.