Phonon TTS chạy trên thiết bị của Gradium vượt mốc 200.000 lượt tải xuống trong hai tuần

Ngày 5 tháng 11 năm 2026, Gradium cho biết các mô hình chuyển văn bản thành giọng nói Phonon chạy trên thiết bị đã được tải xuống hơn 200.000 lần trong hai tuần đầu tiên, theo bài cập nhật kỹ thuật được đăng trên Hugging Face.

Gradium cho biết Phonon đứng đầu về độ dễ hiểu trong tiếng Đức và tiếng Tây Ban Nha trên Open TTS Leaderboard, đồng thời nằm trong top ba ở mọi ngôn ngữ được đánh giá, sánh cùng các mô hình có quy mô lớn hơn tới 100 lần.

Biểu đồ của Gradium về thời gian từ lúc bắt đầu xử lý đến khi phát ra âm thanh đầu tiên trên CPU, tính ở phân vị thứ 95, xếp Phonon 31m English ở vị trí đầu với 28 mili giây và Phonon 40m English ở vị trí thứ hai với 38 mili giây; Pocket TTS đạt 165 mili giây. Giá trị càng thấp càng tốt. Thời gian đến khi có âm thanh đầu tiên cho biết người dùng phải chờ bao lâu mới nghe được giọng nói có thể phát, nên đây là chỉ số có liên quan trực tiếp đến các tác nhân giọng nói và những ứng dụng tương tác khác.

Các bảng xếp hạng đo lường điều gì

Bài cập nhật mô tả quy trình đánh giá trên 23 ngôn ngữ, bao gồm độ dễ hiểu, tỷ lệ thời gian thực nghịch đảo, thời gian đến khi có âm thanh đầu tiên và các thước đo tự động về độ tự nhiên; với tính năng nhân bản giọng nói, quy trình còn đánh giá độ tương đồng của người nói. Phương pháp đánh giá của bảng xếp hạng Hugging Face tính độ dễ hiểu bằng cách so sánh bản chép lời do hệ thống nhận dạng giọng nói tự động tạo ra với câu lệnh gốc, dựa trên tỷ lệ lỗi từ hoặc lỗi ký tự.

Các bài kiểm tra phát trực tuyến xử lý từng câu nói một, sử dụng những câu lệnh phổ biến và cùng một phần cứng. Với các mô hình không có giao diện phát trực tuyến, thời gian đo bao gồm cả quá trình tạo toàn bộ câu nói, vì không thể bắt đầu phát sớm hơn. Các bài đánh giá nhân bản giọng nói riêng biệt so sánh các vector nhúng người nói từ âm thanh được tạo ra với một đoạn âm thanh tham chiếu.

Hugging Face lưu ý rằng tỷ lệ lỗi dựa trên kết quả nhận dạng chỉ là chỉ số đại diện cho độ dễ hiểu, còn độ tương đồng giữa các vector nhúng ước tính mức độ giữ được đặc trưng nhận dạng giọng nói. Không chỉ số nào trong hai chỉ số này trực tiếp xác định độ tự nhiên, khả năng biểu cảm hay mức độ yêu thích của người nghe, vì vậy các bảng xếp hạng tự động không thay thế việc kiểm tra sở thích của con người. Tab Nghe cho phép khách truy cập so sánh các kết quả được tạo ra làm cơ sở cho những chỉ số này và bỏ phiếu cho chúng.

Trọng số mở và điều khoản thương mại

Phiên bản phát hành với trọng số mở ra mắt ngày 20 tháng 10 năm 2026, vì vậy thông tin mới này là bản cập nhật sớm về mức độ tiếp nhận và đánh giá, chứ không phải lần ra mắt một mô hình riêng biệt. Thẻ mô hình Phonon 31m tiếng Anh ghi rõ bộ trọng số lượng tử hóa 8 bit có dung lượng 64,5 MB, được cấp phép theo Apache 2.0, cho phép sử dụng thương mại.

Các biến thể 40m có bộ trọng số lượng tử hóa dung lượng 74,6 MB và hỗ trợ tiếng Anh, tiếng Pháp, tiếng Đức, tiếng Tây Ban Nha và tiếng Bồ Đào Nha theo giấy phép CC BY-NC 4.0, thông qua các điểm kiểm tra riêng cho từng ngôn ngữ hoặc một mô hình đa ngôn ngữ. Đối với các sản phẩm thương mại được xây dựng dựa trên những điểm kiểm tra phi thương mại này, Gradium tính phí cấp phép theo số lượng người dùng, thay vì lượng giọng nói được tạo ra.

Phonon tạo âm thanh đơn kênh 24 kHz và có thể phát trực tuyến giọng nói trong khi tiếp tục tạo âm thanh. Mô hình được thiết kế cho các trợ lý ngoại tuyến, công cụ hỗ trợ khả năng tiếp cận, trò chơi và ứng dụng tương tác không thể chờ một lượt trao đổi dữ liệu lên đám mây rồi quay về, đồng thời giữ văn bản trên thiết bị của người dùng. Có hơn 100 giọng nói tích hợp sẵn. Gradium Studio cũng có thể nhân bản giọng nói từ một bản ghi âm ngắn khi được người nói đồng ý, hoặc tạo giọng nói dựa trên mô tả bằng văn bản để tải xuống và sử dụng cục bộ.

Các phương án triển khai và giới hạn

Môi trường chạy ptts của Gradium được viết bằng Rust và không yêu cầu PyTorch. Môi trường này hỗ trợ các nền tảng CPU, GPU và NPU, bao gồm Intel, Arm, WebAssembly, CUDA, Vulkan, Metal, WebGPU, Apple Core ML và phần cứng Snapdragon được hỗ trợ. Các gói phần mềm hỗ trợ tích hợp trên trình duyệt, thiết bị di động, máy tính để bàn và máy chủ cục bộ.

Phonon cũng có trong Transformers từ phiên bản 5.21 dưới dạng bản triển khai tham chiếu bằng PyTorch. Trong khi ptts tập trung vào một luồng duy nhất trên thiết bị, Transformers hướng đến thông lượng GPU thông qua khả năng tạo theo lô và đồ thị đầy đủ torch.compile. Tài liệu Transformers mô tả một transformer nhân quả tạo ra các biến tiềm ẩn âm thanh liên tục 32 chiều ở tần số 12,5 Hz để giải mã thành âm thanh 24 kHz. Giọng nói được cung cấp dưới dạng các biến tiềm ẩn người nói đã tính trước, có 512 chiều.

Những đặc điểm kỹ thuật này khiến một số khâu tích hợp nằm ngoài phạm vi của điểm kiểm tra. Bộ mã hóa giọng nói chưa được phát hành, còn bộ mã hóa âm thanh chỉ có bộ giải mã, nên Transformers không thể trực tiếp nhân bản giọng nói từ bản ghi âm. Bộ mã hóa này cũng không mở rộng cách đọc các con số, số tiền, ký hiệu hoặc địa chỉ như môi trường chạy của Gradium. Văn bản đầu vào dài được chia thành từng câu, khiến ngữ điệu không được duy trì xuyên suốt toàn bộ văn bản.

Do đó, lựa chọn triển khai rất cụ thể: ptts xử lý một luồng riêng tư trên phần cứng của người dùng, còn Transformers phục vụ tổng hợp giọng nói GPU theo lô. Ở cả hai phương án, việc chuẩn bị giọng nói và xử lý số, ký hiệu, địa chỉ theo đặc thù ngôn ngữ vẫn là những phần cần tích hợp bên cạnh chính điểm kiểm tra.