On-device TTS Phonon від Gradium перетнув позначку у 200 000 завантажень за два тижні

5 листопада 2026 року Gradium повідомила, що її моделі перетворення тексту на мовлення Phonon для пристроїв завантажили понад 200 000 разів за перші два тижні, у технічному доповненні, опублікованому на Hugging Face.

За словами Gradium, Phonon посіла перше місце за розбірливістю мовлення німецькою та іспанською мовами в Open TTS Leaderboard і увійшла до трійки лідерів кожною мовою, яку оцінювали, конкуруючи з моделями, що мають у 100 разів більше параметрів.

На графіку Gradium, що показує 95-й перцентиль часу від запиту до першого аудіо на CPU, Phonon 31m English посіла перше місце з результатом 28 мілісекунд, а Phonon 40m English — друге з результатом 38 мілісекунд; Pocket TTS показала 165 мілісекунд. Менші значення кращі. Час до першого аудіо показує, скільки користувач чекає на мовлення, яке можна відтворити, тож цей показник безпосередньо важливий для голосових агентів та інших інтерактивних застосунків.

Що вимірюють рейтинги

У доповненні описано оцінювання за 23 мовами за такими показниками, як розбірливість мовлення, обернений коефіцієнт реального часу, час до першого аудіо та автоматизовані показники природності; для клонування голосу також оцінюють схожість голосів. Методологія рейтингу Hugging Face визначає розбірливість, порівнюючи транскрипти автоматичного розпізнавання мовлення з початковими запитами за частотою помилок у словах або символах.

Потокові тести проводять для одного висловлювання за раз, використовуючи типові запити та те саме обладнання. Для моделей без потокового інтерфейсу вимірюють час генерації всього висловлювання, оскільки почати відтворення раніше неможливо. Під час оцінювання клонування голосу окремо порівнюють вбудовані представлення мовця, отримані з згенерованого аудіо та еталонного запису.

Hugging Face застерігає, що частота помилок розпізнавання є лише непрямим показником розбірливості мовлення, а схожість вбудованих представлень дає змогу оцінити, наскільки зберігається ідентичність голосу. Жоден із цих показників безпосередньо не визначає природність, виразність чи вподобання слухачів, тому автоматизовані рейтинги не замінюють оцінювання людських уподобань. На вкладці «Прослухати» відвідувачі можуть порівняти згенеровані зразки, на яких ґрунтуються показники, і проголосувати за них.

Відкриті ваги та комерційні умови

Відкритий реліз ваг відбувся 20 жовтня 2026 року, тож нове повідомлення — це оновлення про впровадження та оцінювання, а не окремий дебют моделі. У картці моделі Phonon 31m для англійської мови зазначено, що 8-бітові квантизовані ваги мають розмір 64,5 МБ і поширюються за ліцензією Apache 2.0, яка дозволяє комерційне використання.

Варіанти 40m мають квантизовані ваги розміром 74,6 МБ і охоплюють англійську, французьку, німецьку, іспанську та португальську мови. Вони доступні як окремі контрольні точки для кожної мови або як одна багатомовна модель за ліцензією CC BY-NC 4.0. Для комерційних продуктів, створених на основі цих контрольних точок із некомерційною ліцензією, Gradium розраховує вартість ліцензування за кількістю користувачів, а не за обсягом згенерованого мовлення.

Phonon генерує моноканальне аудіо з частотою 24 кГц і може передавати мовлення потоком, поки триває генерація. Модель призначена для офлайн-помічників, засобів доступності, ігор та інтерактивних застосунків, які не можуть чекати на обмін даними із хмарою, а текст при цьому залишається на пристрої користувача. Доступно понад 100 вбудованих голосів. Gradium Studio також може клонувати голос із короткого запису за згодою мовця або створити голос за текстовим описом, щоб його можна було завантажити й використовувати локально.

Варіанти розгортання та обмеження

Середовище виконання ptts від Gradium написане мовою Rust і не потребує PyTorch. Воно підтримує CPU, GPU та NPU на платформах Intel, Arm, WebAssembly, CUDA, Vulkan, Metal, WebGPU, Apple Core ML і сумісному обладнанні Snapdragon. Пакети охоплюють інтеграцію з браузерами, мобільними пристроями, настільними системами та локальними серверами.

Phonon також доступна в Transformers починаючи з версії 5.21 як еталонна реалізація на PyTorch. Якщо ptts зосереджується на одному потоці на пристрої, то Transformers призначена для високої пропускної здатності GPU завдяки пакетній генерації та повному графу torch.compile. У документації Transformers описано причинно-наслідковий трансформер, який генерує безперервні аудіолатентні представлення розмірності 32 із частотою 12,5 Гц для декодування в аудіо з частотою 24 кГц. Голоси задаються попередньо обчисленими латентними представленнями мовця розмірності 512.

Через ці особливості частину роботи з інтеграції потрібно виконувати поза межами контрольної точки. Кодек мовця не оприлюднено, а аудіотокенізатор має лише декодер, тому Transformers не може безпосередньо клонувати голоси із записів. Токенізатор також не розгортає числа, суми, символи чи адреси так, як це робить середовище виконання Gradium. Довгі вхідні тексти розбиваються на речення, тому просодія не зберігається впродовж усього тексту.

Отже, вибір способу розгортання цілком конкретний: ptts забезпечує приватний одиночний потік на пристрої користувача, тоді як Transformers призначена для пакетного синтезу на GPU. В обох варіантах підготовка голосу та обробка чисел, символів і адрес з урахуванням мови залишаються частиною інтеграції поряд із самою контрольною точкою.