模型發布
Phonon TTS 開放權重:端側語音模型,31m 英文版 Apache 2.0 可商用
HuggingFace Blog一手來源
核實資料不足
來源為發布方或研究資料;不代表所有主張已獲獨立核實。
本次未取得足夠原文證據
Gradium 推出端側文字轉語音(TTS)模型 Phonon 並開放權重,模型在裝置上運行,不需伺服器或網路,輸入的文字也不會離開裝置。Phonon 31m 僅支援英語,採 Apache 2.0 授權,可免費用於商業產品;Phonon 40m 涵蓋英、法、德、西、葡五種語言,採 CC BY-NC 非商用授權。原文提到,若要以其他非商用模型進行商業應用,費用依使用者數量計算,而非依生成的語音量。據模型頁面,Phonon 40m 英語版可輸出 24 kHz 的自然語音。
模型以 flow matching 生成音訊,延續 Pocket TTS 的架構。尺寸約為 65 MB 與 75 MB,內建 100 多種語音,並支援語音克隆與語音設計,自訂語音可透過 Gradium Studio 建立。模型也能正確處理電話號碼、日期與代碼等常見易出錯的內容。可在手機、筆電、單板電腦與瀏覽器中執行。
依 Phonon 團隊說法,其在 Hugging Face Open TTS Leaderboard 的表現:該排行榜涵蓋 23 種語言,評測字詞錯誤率、推論速度、自然度與語音相似度(語音克隆)。Phonon 的可懂度在德語與西班牙語排名第一,在所有評測語言中都進入前三,對手的模型規模最多可達其 100 倍。在 CPU 串流場景中,其首音延遲(time-to-first audio)同樣居首。
團隊另開發推論框架 ptts,支援 10 種以上後端,包括 CPU(Intel、Arm、WebAssembly)、GPU(CUDA、Vulkan、Metal、WebGPU)與 NPU(Apple Core ML、Snapdragon)。Hugging Face Transformers 自 v5.21 起加入 Phonon,作為參考 PyTorch 實作,支援批次生成與 torch.compile,適合大量合成語音資料集。
Phonon 於 4 月公布,之後約六個月與合作夥伴及早期使用者共同開發。上線兩週內下載次數超過 20 萬次,目前仍在 Hugging Face 熱門榜上。
讀原始報導背景
Phonon 是 Gradium 推出的文字轉語音(TTS)模型系列,設計為直接在裝置上執行,可在瀏覽器分頁、手機或筆電 CPU 上邊生成邊串流播放 24 kHz 的英語語音。Hugging Face 的 Open TTS Leaderboard 會以可懂度(WER)、速度(RTFx、TTFA)、自然度(UTMOS)與語者相似度(SIM)等指標,在多語言測試集上為開源 TTS 模型評分,文中提到 Phonon 也參與了這項評比。