Gradium 推出开放权重语音合成 Phonon 1.0，最小 64 MB，可离线在设备本地运行

Gradium 在官网介绍了开放权重文本转语音模型 Phonon 1.0。页面的表述是：它小到可以放进应用，注重隐私，并且可以离线工作。家族里有三个模型，体积为 64 MB 或 74.6 MB。官网说明它可以在没有独立显卡的常见设备上合成语音，并公布了一组由发布方自己展示的词错误率。

三个模型与两套许可

官网把 Phonon 1.0 分成三档：

• Phonon 31m：只支持英语，体积 64 MB，参数量为 3100 万，许可是 Apache 2.0。
• Phonon 40m：英语、法语、德语、西班牙语、葡萄牙语各自一个模型，体积 74.6 MB，参数量为 4000 万，许可是 CC BY-NC。商用需要联系 Gradium 销售团队。
• Phonon 40m multilingual：同样是 74.6 MB、4000 万参数，但用一个模型覆盖上述五种语言，许可同样是 CC BY-NC，商用也要联系销售。

从树莓派到浏览器

官网“Where it runs”一节称，Phonon 不需要独立显卡，可在笔记本、台式机、Android 手机以至树莓派 5 上运行。

在 iPhone、iPad 和 Mac 上，它通过 Swift 包调用苹果自家 AI 芯片。官网给出的速度是：在 iPhone 16 Pro 上最高可达实时速度的 22 倍。

它也可以在网页访客的浏览器中运行，文字不离开设备。官网称，页面顶部的演示就是这样做的。机器上如果有显卡，可在构建时选择 NVIDIA、Apple、Vulkan 或 WebGPU，以得到更快的合成。

“Compatible with”下列出的标识包括 macOS、iOS、Android、Raspberry Pi、Intel AVX2、Arm Neon、Core ML、WebAssembly、NVIDIA CUDA、Vulkan 和 WebGPU。

页面提供一段可交给编程助手的说明，仓库为 GitHub 上的 gradium-ai/xn-ptts。说明要求先读 README，再用 Cargo 从仓库安装带命令行功能的 Rust 程序，把 MODEL_DIR 指到包含 config.json、model.q8.gguf、tokenizer.json 和音色的目录，并用英语音色 Freya、q8 量化把“Hello world”合成到 out.wav。

页首“Already trusted by”下方排列了 NVIDIA、Arm KleidiAI、Qualcomm、Hugging Face、Forvia、LM Studio、Pipecat、Modal、Xybrid、Ollama、Open WebUI、MLX Audio 和 SurrealDB 的标识。

500 句难读文本上的词错误率

官网用 500 个其他模型容易出错的英语句子测试词错误率，句子包括电话号码、邮箱地址和邮政编码。发布方展示的结果是：Phonon 31m 为 1.70%，Phonon 40m multilingual 为 2.11%，Phonon 40m 为 2.22%。同一列表中的 Kokoro 为 3.50%，Kitten TTS 为 7.40%，NeuTTS Nano 为 8.71%。页面没有写明这组数字来自独立第三方测试。

页面上的应用示例

“Apps built Using Phonon”列出多则演示：

• Modal 语音机器人：用 Pipecat 搭建的低延迟语音 agent。Phonon 跑在该 agent 仅有 CPU 的容器里，官网称第一段音频不需要再经过一次网络传输。
• Xybrid：以沙漠星球为背景的科幻游戏，配音由 Phonon 在玩家自己的机器上生成。
• Apple Watch：关掉 Wi-Fi 后，在手腕上逐步讲解冲咖啡，全程在本地完成。
• RepCoach：iPhone 应用，没有信号时也能把次数大声报出来。
• Chrome 扩展：在浏览器中运行 Phonon，朗读网页上的文字。
• Offline FM：浏览器标签页里的离线恐龙跑酷，Rex 主持电台，声音由 Phonon 即时生成；可以选择音色，并给 Rex 一个话题。
• 分院帽：Autonomous 的机器人 Lamp 戴上分院帽，用 Phonon 按角色说话。

来源

• https://gradium.ai/phonon