Phonon: نموذج TTS بحجم 64 ميغابايت لا تتفق أوراق مواصفاته الثلاث

نقطة التحقق الإنجليزية من Phonon 31M — المنشورة باسم gradium/phonon-31m-en — هي ملف بحجم 64.5 ميغابايت. هذا هو النموذج بأكمله، مكمَّم إلى ثماني بتات، وينتج كلامًا بتردد 24 كيلوهرتز على معالج حاسوب محمول، مع زمن وصول إلى أول صوت تضعه الشركة في خانة الأرقام الأحادية بالمللي ثانية. وقد أتاحت Gradium، وهي شركة كلام باريسية أسسها باحثون سابقون في Kyutai، عائلة Phonon على Hugging Face في 20 أكتوبر 2026، إلى جانب بيئة تشغيل Rust ونسخة WebAssembly تتيح لهذا الشيء أن ينطق داخل تبويب متصفح.

بعد ثلاثة أيام، الشيء الأكثر فائدة الذي يمكن أن يفعله القارئ ليس الاستماع إلى العرض التجريبي. بل أن يضع مدونة الإصدار وبطاقة النموذج وملف README الخاص ببيئة التشغيل جنبًا إلى جنب. فهي تصف نقطتي التحقق نفسيهما — Phonon 31M و Phonon 40M — وهي لا تتفق على الأرقام. هذا الاختلاف ليس فضيحة؛ بل هو أمر طبيعي لإصدار عمره ثلاثة أيام. لكنه يخبرك بالضبط أي الأرقام آمنة للتخطيط على أساسها وأيها لا يزال تسويقًا في طور الانتقال.

ما الذي تم إطلاقه فعليًا في 20 أكتوبر

أصدرت Gradium أربعة أشياء دفعة واحدة: الأوزان، والأصوات، وبيئة تشغيل، وتقسيم ترخيص يهم أكثر من جدول القياسات المرجعية.

تأتي الأوزان في ثلاثة أشكال. Phonon 31M إنجليزية فقط، برخصة Apache 2.0، و37 صوتًا مدمجًا، وملف q8 GGUF بحجم 64.5 ميغابايت. Phonon 40M تُتاح كخمس نقاط تحقق منفصلة لكل لغة — الإنجليزية والفرنسية والألمانية والإسبانية والبرتغالية — بحجم يقارب 74.6 ميغابايت لكل منها، وكل منها متاحة بعد قبول شروط Hugging Face، وكل منها تحت رخصة CC BY-NC 4.0. أما نقطة التحقق الثالثة، Phonon 40M multilingual، فتدمج اللغات الخمس جميعًا في نموذج واحد يضم 102 صوت، تحت الرخصة غير التجارية نفسها.

سطر الترخيص هذا هو أول نقطة قرار، ويسهل تفويته لأن العائلة يُوصف بأنها مفتوحة. فقط نموذج 31M الإنجليزي مجاني للاستخدام التجاري. أما نماذج 40M فهي أوزان مفتوحة بالمعنى البحثي: قابلة للتنزيل والفحص والتشغيل، لكنها غير مرخّصة لمنتج دون اتفاق تجاري. والفريق الذي يبني نموذجًا أوليًا على 40M لأنه يبدو أفضل ثم يحاول طرح المنتج سيصطدم بهذا الحائط متأخرًا وبتكلفة باهظة.

البنية المعمارية، في فقرة واحدة

Phonon هو محوّل مطابقة تدفق يتنبأ بالمتجهات الكامنة الصوتية ضمن إطارات مدتها 80 ميلي ثانية ويمرّرها إلى مرمّز Mimi التابع لـ Kyutai لفك الترميز. وهو مبني على Pocket TTS، سلسلة النماذج الصغيرة التي خرجت من الدائرة البحثية نفسها. بيئة التشغيل، xn-ptts، مكتوبة بلغة Rust ولا تستخدم PyTorch عند الاستدلال: تستخدم مسارات CPU تقنية Arm KleidiAI، ويمكن لأجهزة Apple استخدام Core ML، ويمكن لشرائح Snapdragon استخدام QNN NPU، بينما تحصل المتصفحات على نسخة SIMD WebAssembly. تتوفر ارتباطات برمجية لـ Python وSwift وJavaScript وC، إضافة إلى صورة Docker توفر نقطة نهاية صوتية متوافقة مع OpenAI.

النتيجة العملية هي أن Phonon ليس نقطة تحقق تُحمّلها في دفتر Python وتأمل أن تتناسب معه، بل هو هدف للنشر. الملف نفسه البالغ 64 ميغابايت يعمل على Raspberry Pi وiPhone ومتصفح وحاوية، وبيئة التشغيل هي المنتج بقدر ما تمثله الأوزان.

ثلاث وثائق، ثلاث مجموعات من الأرقام

هذا هو الجزء الذي يستحق التوقف عنده. في مدونة إصدار 20 أكتوبر، يصل Phonon 31M إلى أول مخرج صوتي خلال 7 مللي ثانية على وحدة المعالجة المركزية MacBook Air M5، ويعمل بسرعة تعادل 11.6 ضعف الزمن الحقيقي على نواة واحدة، و29.9 ضعفًا على أربع خيوط. وعلى Raspberry Pi 5 يبدأ خلال 38 مللي ثانية ويعمل بسرعة تعادل 3.7 ضعف الزمن الحقيقي. وتمنح المدونة نفسها Phonon 31M معدل خطأ كلمات قدره 1.70% في النصوص الصعبة، وتصنيف إيلو للطبيعية الإنجليزية قدره 2,098، مقابل 2,043 لـ Kokoro.

ملف README الخاص بوقت التشغيل، الذي حُدّث في النافذة نفسها، يعطي جهاز MacBook Air M5 نفسه إنتاجية تبلغ 26 ضعف الزمن الحقيقي عند زمن أول بايت قدره 5 مللي ثانية على نواة واحدة، و41 ضعفًا عند 6 مللي ثانية على أربع أنوية. أما على Raspberry Pi 5 فيقول إنها 2.3 ضعف الزمن الحقيقي مع 68 مللي ثانية حتى أول صوت. هذه ليست فروقًا ناتجة عن التقريب. أحد المستندين يقول إن النموذج أسرع بنحو الضعف على جهاز Pi مقارنة بما يقوله الآخر.

تضيف بطاقة نموذج Hugging Face نسخة ثالثة: {{1}}1.5% معدل خطأ الكلمات في المجموعة الصعبة و0.51% على Seed-TTS لـ Phonon 31M{{/1}}، مع نفس {{2}}2,098 Elo{{/2}}. ويقول جدول مدونة الإصدار: {{3}}1.70% في المجموعة الصعبة{{/3}}. كلاهما تقييمان أجراهما المورّد. ولا يستشهد أي منهما بأداة اختبار مستقلة، ولا يوجد بعد مدخل لـ Artificial Analysis لهذه العائلة.

• عدد المعلمات — 31M باستثناء مُرمِّز الصوت، لكن البيانات الوصفية في Hugging Face تُدرج 41.1M لنقطة التحقق نفسها.

• أول صوت — 7 مللي ثانية في مدونة الإصدار، و5 مللي ثانية في README، على نفس جهاز MacBook Air M5.

• الإنتاجية على نواة واحدة — 11.6× من الزمن الحقيقي في المدونة، و26× في README.

• Raspberry Pi 5 — 38 مللي ثانية و3.7× في المدونة، و68 مللي ثانية و2.3× في README.

• معدل خطأ الكلمات (WER) للمجموعة الصعبة — 1.70% في المدونة، و1.5% في بطاقة النموذج.

هذا ليس سببًا لرفض الإصدار. بل هو سبب للتعامل مع كل رقم كنطاق إلى أن يتحقق منه أحد من خارج Gradium ويعيد إنتاجه. أرقام Elo هي الأكثر قابلية للمقارنة لأنها تحدد خط أساسها: Phonon 40M عند 2,117، وPhonon 31M عند 2,098، وPhonon 40M متعدد اللغات عند 2,097، وKokoro عند 2,043. إن فجوة قدرها 55 نقطة فوق Kokoro في اختبار الاستماع الخاص بالمورّد هي ادعاء ذو دلالة، وهو قابل للتكذيب، وهذا أكثر مما تقدمه معظم إطلاقات TTS.

ما يخبرك به المستودع ولا تخبرك به المدونة

يجيب المستودع عن الأسئلة التي يتخطاها الإعلان. لا يمكن لحزمة المتصفح تحميل سوى Phonon 31M مباشرةً من Hugging Face؛ أما نقاط التحقق 40M فيجب أن يقدّمها تطبيقك الخاص، وهذا قيد حقيقي إذا كانت العبارة التي جذبت انتباهك هي «TTS in a tab». تحتاج النماذج المقيّدة إلى رمز Hugging Face وقت البناء أو التشغيل. يتطلب مسار Android QNN نظام Android 12 ووجود Snapdragon HTP مدعوم، ولا يتوفر فيه تراجع تلقائي إلى CPU — إذا رفضت NPU النموذج، فستحصل على خطأ، لا على تشغيل أبطأ.

ملفات الأصوات منفصلة عن الأوزان. تشحن نقاط التحقق بعض الأصوات، ويضم كتالوج في gradium/phonon-voices المزيد، بما في ذلك أصوات مخصصة بصيغة .safetensors. هذا الفصل هندسة سليمة، وهو أيضًا الجزء الأقل توثيقًا. إن كيفية تدريب صوت مخصص، وسجل الموافقة الذي يرافقه، وما إذا كانت Gradium تضع علامة مائية على الصوت المُولَّد، كلها أمور بلا إجابة في المواد العامة حتى 23 أكتوبر.

ما هو مؤكد: أن الشيفرة بترخيص MIT أو Apache-2.0 حسب اختيارك، وأن أوزان 31M بترخيص Apache 2.0، وأن أوزان 40M بترخيص CC BY-NC 4.0، وأن بيئات التشغيل موجودة فعليًا على Linux وmacOS وWindows وiOS وAndroid والمتصفح وDocker. وما هو غير مؤكد: زمن الاستجابة المستقل، والفهم المستقل، والاستقرار في النصوص الطويلة بما يتجاوز بضع جمل، وكيف تتعامل نقطة التحقق متعددة اللغات مع التبديل بين اللغات داخل الجملة.

حيث تكون 31 مليون معلمة هي الأداة المناسبة

النماذج التي يُقارَن بها Phonon في الأسبوع الأول هي في الغالب أنظمة سحابية بعدد معاملات يبلغ مئة ضعف، وتسبقها قفزة شبكة واحدة. هذا فرق في الفئة، لا فرق في الجودة. نموذج إنجليزي بحجم 64 MB يبدأ التحدث خلال أرقام أحادية من المللي ثانية مخصص للحالات التي يجب ألا يغادر فيها الصوت الجهاز، أو يجب أن يعمل فيها عندما لا تتوفر الشبكة: أدوات إمكانية الوصول دون اتصال، وحوارات الألعاب، وواجهات الأكشاك والأجهزة، والمساعدات الخاصة على الهاتف، وميزات المتصفح التي لا تحتمل رحلة ذهاب وإياب.

إنه خيار غير مناسب للحالات المعاكسة. إذا كنت بحاجة إلى ثلاثين لغة، أو إخراج بتردد 48 كيلوهرتز، أو تصميم صوت من وصف نصي، أو استنساخ بمستوى الاستوديو من عيّنة مرجعية مدتها عشر ثوانٍ، فإن Phonon 31M لا يقدم أياً من ذلك. وحتى Phonon 40M متعدد اللغات يغطي خمس لغات، لا ثلاثين، كما أن ترخيصه يستبعد معظم المنتجات التجارية.

الخلاصة الصادقة بعد ثلاثة أيام هي أن Gradium قدّمت حزمة غير معتادة الاكتمال تعمل على الجهاز، مع تحقق خارجي ضئيل على نحو غير معتاد. فال هندسة قابلة للفحص — بيئة التشغيل متاحة على GitHub، والأوزان قابلة للتنزيل، ومعايير الأداء موثّقة بما يكفي لإعادة إنتاجها. لكن لا أحد أعاد إنتاج الادعاءات بعد.

نصف حلقة الصوت الذي لا يغطيه Phonon

نموذج تحويل النص إلى كلام (TTS) المحلي هو أحد مكوّنات المساعد الصوتي، وهو المكوّن الأخير. فلا يزال هناك شيء ما عليه أن يقرر ما يُقال: تفريغ كلام المستخدم، واسترجاع الإجابة، وصياغة الرد. يحوّل Phonon النص إلى صوت على الجهاز، لكن النص يأتي عادةً من خادم نموذج، وهذا الخادم هو حيث تكمن التعقيدات التشغيلية فعليًا.

هذا هو الحدّ الذي يقف عليه OrcaRouter. Phonon ليس ضمن كتالوجنا — فهو يعمل على عتادك، وليس عبر API، ولا ينبغي قراءة أي شيء هنا على أنه ادّعاء بخلاف ذلك. لكن نموذج اللغة الذي يكتب سكربت Phonon يمكن أن يكون، إلى جانب أكثر من 200 نموذج آخر خلف مفتاح واحد، مع هامش ربح 0% على سعر القائمة لدى المزوّد وتحويل تلقائي عندما يتدهور أحد المزوّدين. بالنسبة للمنتجات التي تعطي الأولوية للعمل دون اتصال، فإن هذا التقسيم طبيعي: يبقى تخليق الكلام على الجهاز، ويُوجَّه توليد النص إلى النموذج الأرخص والأكثر صحة في تلك الساعة.

ما يجب متابعته خلال الشهر المقبل

ستحسم ثلاث إشارات معظم الأسئلة المفتوحة. الأولى هي تقييم مستقل — سواء بإضافة Artificial Analysis مدخلًا للكلام، أو بإعادة مختبر تشغيل Seed-TTS مقابل نقاط التحقق المنشورة. الثانية هي الترخيص التجاري لنماذج 40M؛ فإذا أتاحت Gradium تلك النماذج، تصبح نقطة التحقق متعددة اللغات أكثر إثارة للاهتمام بكثير من الإنجليزية. الثالثة هي توثيق استنساخ الصوت. تعد مدونة Gradium نفسها بنتائج استماع عمياء «في منشور مستقبلي»، وهذا أمر صادق أن يُنشر، وهو أيضًا اعتراف بأن الأدلة الحالية هي الشركة وهي تصحّح واجبها بنفسها.

حتى ذلك الحين، فإن الموقف الذي يمكن الدفاع عنه هو هذا: Phonon 31M حقيقي، وهو صغير، ويعمل حيث تقول الشركة المصنّعة إنه يعمل، وهو Apache 2.0. أما السرعة والدقة الدقيقتان فهما في مكان ما ضمن النطاق الذي تصفه مستندات الشركة المصنّعة نفسها. وعلى أي شخص يخطط لمنتج حول رقم 7 ms أن يختبره على العتاد المستهدف لديه أولًا — وعلى أي شخص يخطط حول طراز 40M أن يقرأ الترخيص قبل أن يتعلق قلبه بالصوت.