Gradium 的端侧 Phonon TTS 两周内下载量突破 200,000 次

Gradium 于 2026 年 11 月 5 日在一篇发布于 Hugging Face 的技术后续文章中表示，其端侧文本转语音模型 Phonon 在推出后的头两周内下载量已超过 200,000 次。

Gradium 表示，Phonon 在 Open TTS Leaderboard 上的德语和西班牙语可懂度排名第一，在其评测的所有语言中均跻身前三；与之同台比较的模型规模最高是它的 100 倍。

Gradium 的图表展示了 CPU 首次生成音频耗时的第 95 百分位数：Phonon 31m 英语版以 28 毫秒排名第一，Phonon 40m 英语版以 38 毫秒排名第二，Pocket TTS 则为 165 毫秒。数值越低越好。首次生成音频耗时衡量用户需要等待多久才能听到可播放的语音，因此与语音代理及其他交互式应用直接相关。

排名衡量的内容

这篇后续文章介绍了涵盖 23 种语言的评测，衡量指标包括可懂度、实时率倒数、首次生成音频耗时和自动化自然度指标；对于语音克隆，还会评估说话人相似度。Hugging Face 的排行榜评测方法通过比较自动语音识别转录文本与原始提示词，并计算词错误率或字符错误率，来评估可懂度。

流式测试每次处理一段话语，使用通用提示词和相同的硬件。对于不支持流式接口的模型，计时涵盖整段话语的生成过程，因为播放无法更早开始。语音克隆评测则会单独比较生成音频与参考音频片段中的说话人嵌入。

Hugging Face 提醒，基于识别结果计算的错误率只是衡量可懂度的替代指标，而嵌入相似度用于估算说话人音色身份的保留程度。这两项指标都无法直接反映自然度、表现力或听众偏好，因此自动排名不能取代真人偏好测试。“试听”标签页允许访客比较各项指标背后的生成音频，并为其投票。

开放权重与商业条款

底层模型的开放权重版本于 2026 年 10 月 20 日发布，因此这次披露属于早期采用和评测进展更新，而非另一次模型发布。英语版 Phonon 31m 模型卡列明，该模型包含 64.5 MB 的 8 位量化权重，采用 Apache 2.0 许可，允许商业使用。

40m 变体包含 74.6 MB 的量化权重，支持英语、法语、德语、西班牙语和葡萄牙语，采用 CC BY-NC 4.0 许可；用户可以选择单独的语言检查点，也可以使用一个多语言模型。对于基于这些非商业检查点构建的商业产品，Gradium 按用户数量而非生成语音的数量收取许可费用。

Phonon 可生成单声道 24 kHz 音频，并能在生成过程中流式输出语音。它适用于离线助手、无障碍工具、游戏和交互式应用，可避免等待云端往返，同时将文本保留在用户设备上。它内置了 100 多种语音。Gradium Studio 还可以在说话人同意的情况下，根据一段简短录音克隆其声音，也可以根据文本描述设计语音，供下载并在本地使用。

部署方式与限制

Gradium 的ptts 运行时以 Rust 编写，无需使用 PyTorch。它支持 CPU、GPU 和 NPU 后端，涵盖 Intel、Arm、WebAssembly、CUDA、Vulkan、Metal、WebGPU、Apple Core ML 以及受支持的 Snapdragon 硬件。其软件包支持浏览器、移动设备、桌面端和本地服务器集成。

从 5.21 版起，Transformers 也提供 Phonon，作为参考 PyTorch 实现。ptts 专注于单路端侧流式处理，而 Transformers 则通过批量生成和完整计算图来提高 GPU 吞吐量 torch.compile。Transformers 文档介绍了一种因果变换器，它以 12.5 Hz 的频率生成连续的 32 维音频潜变量，再将其解码为 24 kHz 音频。语音使用预先计算的 512 维说话人潜变量提供。

这些机制意味着，检查点之外仍需进行一些集成工作。说话人编解码器尚未发布，而音频分词器仅含解码器，因此 Transformers 无法直接从录音克隆声音。它的分词器也不会像 Gradium 的运行时那样展开数字、金额、符号或地址。较长的输入会被拆分成句子，导致韵律无法贯穿整段文本。

因此，部署方式的选择十分明确：ptts 在用户硬件上处理私有的单路流式任务，而 Transformers 则用于批量 GPU 语音合成。无论采用哪种方式，除了检查点本身，集成工作还需包含语音准备，以及针对数字、符号和地址进行适配语言的处理。