Phonon: Ein 64-MB-TTS-Modell, dessen drei Datenblätter nicht übereinstimmen

Der englische Checkpoint von Phonon 31M – veröffentlicht als gradium/phonon-31m-en – ist eine 64,5 MB große Datei. Das ist das gesamte Modell, auf acht Bit quantisiert, und es erzeugt 24-kHz-Sprache auf einer Laptop-CPU mit einem First-Audio-Wert, den der Anbieter im einstelligen Millisekundenbereich angibt. Gradium, ein Pariser Sprachunternehmen, das von ehemaligen Kyutai-Forschern gegründet wurde, veröffentlichte die PhononFamilie am 20. Oktober 2026 auf Hugging Face – zusammen mit einer Rust-Laufzeit und einem WebAssembly-Build, das das Ganze in einem Browser-Tab sprechen lässt.

Drei Tage später ist das Nützlichste, was ein Leser tun kann, nicht, sich die Demo anzuhören. Es ist, den Release-Blog, die Modellkarte und die Runtime-README nebeneinanderzulegen. Sie beschreiben dieselben zwei Checkpoints – Phonon 31M und Phonon 40M – und sie stimmen bei den Zahlen nicht überein. Diese Uneinigkeit ist kein Skandal; sie ist normal für einen drei Tage alten Release. Aber sie sagt dir genau, welche Zahlen sicher als Planungsgrundlage taugen und welche noch Marketing auf dem Weg sind.

Was wurde am 20. Oktober tatsächlich ausgeliefert?

Gradium hat vier Dinge auf einmal veröffentlicht: Gewichte, Stimmen, eine Laufzeitumgebung und eine Lizenzaufteilung, die wichtiger ist als die Benchmark-Tabelle.

Die Gewichte gibt es in drei Formen. Phonon 31M ist ausschließlich für Englisch, Apache 2.0, 37 integrierte Stimmen und ein q8-GGUF mit 64,5 MB. Phonon 40M erscheint als fünf separate Checkpoints pro Sprache – Englisch, Französisch, Deutsch, Spanisch und Portugiesisch – jeweils rund 74,6 MB, jeweils hinter einer Zustimmung zu den Hugging-Face-Bedingungen und jeweils unter CC BY-NC 4.0. Ein dritter Checkpoint, Phonon 40M multilingual, fasst alle fünf Sprachen in einem Modell mit 102 Stimmen zusammen, unter derselben nicht-kommerziellen Lizenz.

Diese Lizenzzeile ist der erste Entscheidungspunkt, und sie ist leicht zu übersehen, weil die Familie als offen beschrieben wird. Nur das englische 31M-Modell ist für die kommerzielle Nutzung kostenlos. Die 40M-Modelle sind offene Gewichte im Forschungssinn: herunterladbar, einsehbar, ausführbar, aber ohne kommerzielle Vereinbarung nicht für ein Produkt lizenziert. Ein Team, das mit dem 40M-Modell prototypisiert, weil es besser klingt, und dann versucht auszuliefern, wird spät und teuer auf diese Hürde stoßen.

Die Architektur, in einem Absatz

Phonon ist ein Flow-Matching-Transformer, der Audio-Latents in 80-Millisekunden-Frames vorhersagt und sie zur Dekodierung an Kyutais Mimi-Codec übergibt. Es baut auf Pocket TTS auf, der Small-Model-Reihe, die aus demselben Forschungsumfeld hervorgegangen ist. Die Runtime xn-ptts ist in Rust geschrieben und verwendet bei der Inferenz kein PyTorch: CPU-Pfade nutzen Arm KleidiAI, Apple-Geräte können Core ML nutzen, Snapdragon-Chips können die QNN-NPU nutzen, und Browser erhalten einen SIMD-WebAssembly-Build. Es gibt Bindings für Python, Swift, JavaScript und C sowie ein Docker-Image, das einen OpenAI-kompatiblen Sprach-Endpunkt bereitstellt.

Die praktische Konsequenz ist, dass Phonon kein Checkpoint ist, den man in ein Python-Notebook lädt und hofft, dass er passt. Es ist ein Deployment-Ziel. Dieselbe 64-MB-Datei läuft auf einem Raspberry Pi, einem iPhone, in einem Browser und in einem Container, und die Runtime ist ebenso Teil des Produkts wie die Gewichte.

Drei Dokumente, drei Zahlenreihen

Hier ist der Teil, für den es sich lohnt, langsamer zu werden. Im Release-Blog vom 20. Oktober erreicht Phonon 31M erstes Audio in 7 Millisekunden auf einer MacBook Air M5 CPU und läuft mit 11,6-facher Echtzeit auf einem Kern, 29,9-fach auf vier Threads. Auf einem Raspberry Pi 5 startet es in 38 ms und läuft mit 3,7-facher Echtzeit. Derselbe Blog nennt für Phonon 31M eine Wortfehlerrate von 1,70 % bei schwierigem Text und einen Elo-Wert für englische Natürlichkeit von 2.098 – gegenüber 2.043 bei Kokoro.

Das Runtime-README, das im selben Zeitfenster aktualisiert wurde, nennt für dasselbe MacBook Air M5 einen Durchsatz von 26-facher Echtzeit bei 5 ms Time-to-First-Byte auf einem Kern und 41-fach bei 6 ms auf vier Kernen. Für den Raspberry Pi 5 nennt es 2,3-fache Echtzeit bei 68 ms bis zum ersten Audio. Das sind keine Rundungsunterschiede. Ein Dokument besagt, dass das Modell auf einem Pi etwa doppelt so schnell ist, wie das andere es angibt.

Die Modellkarte auf Hugging Face fügt eine dritte Version hinzu: 1,5 % WER auf dem Hard-Set und 0,51 % auf Seed-TTS für Phonon 31M, bei denselben 2.098 Elo. Die Tabelle im Release-Blog nennt 1,70 % auf dem Hard-Set. Beides sind vom Anbieter durchgeführte Evaluierungen. Keine davon nennt eine unabhängige Testumgebung, und es gibt noch keinen Eintrag für die Familie bei Artificial Analysis.

• Parameteranzahl — 31M ohne den Audio-Tokenizer, aber die Hugging-Face-Metadaten listen 41.1M für denselben Checkpoint.

• Erstes Audio — 7 ms im Release-Blog, 5 ms in der README, auf demselben MacBook Air M5.

• Durchsatz auf einem Kern — 11,6× Echtzeit im Blog, 26× in der README.

• Raspberry Pi 5 — 38 ms und 3,7× im Blog, 68 ms und 2,3× in der README.

• Fest eingestellte WER — 1,70 % im Blog, 1,5 % auf der Modellkarte.

Das ist kein Grund, die Veröffentlichung zu verwerfen. Es ist ein Grund, jede Zahl als Bereich zu behandeln, bis jemand außerhalb von Gradium sie reproduziert. Die Elo-Werte sind am besten vergleichbar, weil sie ihre Basislinie nennen: Phonon 40M bei 2.117, Phonon 31M bei 2.098, Phonon 40M mehrsprachig bei 2.097, Kokoro bei 2.043. Ein Abstand von 55 Punkten gegenüber Kokoro im eigenen Hörtest des Anbieters ist eine aussagekräftige Behauptung, und sie ist falsifizierbar – was mehr ist, als die meisten TTS-Einführungen bieten.

Was dir das Repo verrät, was der Blog nicht tut

Das Repository beantwortet Fragen, die die Ankündigung auslässt. Das Browser-Paket kann nur Phonon 31M direkt von Hugging Face laden; die 40M-Checkpoints müssen von Ihrer eigenen Anwendung bereitgestellt werden, was eine echte Einschränkung ist, wenn der Pitch, der Ihre Aufmerksamkeit erregt hat, „TTS in a tab“ war. Gated-Modelle benötigen zur Build- oder Laufzeit einen Hugging-Face-Token. Der Android-QNN-Pfad erfordert Android 12 und eine unterstützte Snapdragon-HTP und hat keinen automatischen CPU-Fallback – wenn die NPU das Modell ablehnt, erhalten Sie einen Fehler, keinen langsameren Lauf.

Sprachdateien sind von den Gewichten getrennt. Die Checkpoints enthalten einige Stimmen, und ein Katalog unter gradium/phonon-voices führt weitere, darunter benutzerdefinierte Stimmen im .safetensors-Format. Diese Trennung ist solides Engineering und zugleich der Teil mit der geringsten Dokumentation. Wie eine benutzerdefinierte Stimme trainiert wird, welche Einwilligungsaufzeichnung mit ihr einhergeht und ob Gradium generiertes Audio mit Wasserzeichen versieht, ist im öffentlichen Material Stand 23. Oktober alles unbeantwortet.

Was bestätigt ist: Der Code steht nach Ihrer Wahl unter MIT oder Apache-2.0, die 31M-Gewichte stehen unter Apache 2.0, die 40M-Gewichte stehen unter CC BY-NC 4.0, und die Runtimes existieren tatsächlich für Linux, macOS, Windows, iOS, Android, den Browser und Docker. Was nicht bestätigt ist: unabhängige Latenz, unabhängige Verständlichkeit, Stabilität bei langen Texten über einige Sätze hinaus und wie der mehrsprachige Checkpoint Code-Switching innerhalb eines Satzes handhabt.

Wo 31 Millionen Parameter das richtige Werkzeug sind

Die Modelle, mit denen Phonon in der ersten Woche verglichen wird, sind überwiegend Cloud-Systeme mit hundertmal so vielen Parametern und einem vorgeschalteten Netzwerk-Hop. Das ist ein Kategorienunterschied, kein Qualitätsunterschied. Ein englisches 64-MB-Modell, das in einstelligen Millisekunden mit der Sprachausgabe beginnt, ist für die Fälle gedacht, in denen das Audio das Gerät nicht verlassen darf oder funktionieren muss, wenn das Netzwerk nicht verfügbar ist: Offline-Barrierefreiheits-Tools, Spieldialoge, Kiosk- und Geräteschnittstellen, private Assistenten auf einem Smartphone und Browserfunktionen, die sich keinen Round Trip leisten können.

Für die entgegengesetzten Fälle ist es schlecht geeignet. Wenn Sie dreißig Sprachen, 48-kHz-Ausgabe, Stimmdesign aus einer Textbeschreibung oder Cloning in Studioqualität anhand einer zehnsekündigen Referenz benötigen, kann Phonon 31M nichts davon. Selbst das mehrsprachige Phonon 40M deckt fünf Sprachen ab, nicht dreißig, und seine Lizenz schließt die meisten kommerziellen Produkte aus.

Die ehrliche Zusammenfassung nach drei Tagen ist, dass Gradium einen ungewöhnlich vollständigen On-Device-Stack mit ungewöhnlich dünner externer Validierung ausgeliefert hat. Die Technik ist überprüfbar – die Runtime ist auf GitHub, die Gewichte sind herunterladbar, die Benchmarks sind gut genug dokumentiert, um sie zu reproduzieren. Die Behauptungen wurden jedoch noch von niemandem reproduziert.

Die Hälfte des Voice-Loops, die Phonon nicht abdeckt

Ein lokales TTS-Modell ist eine Komponente eines Sprachassistenten – und zwar die letzte. Irgendetwas muss schließlich entscheiden, was gesagt wird: den Nutzer transkribieren, die Antwort abrufen, die Erwiderung formulieren. Phonon verwandelt Text auf dem Gerät in Audio, doch der Text stammt üblicherweise von einem Modellserver, und genau dort liegt die eigentliche betriebliche Komplexität.

Das ist die Grenze, an der OrcaRouter steht. Phonon ist nicht in unserem Katalog – es läuft auf deiner Hardware, nicht über eine API, und nichts hier sollte als Behauptung des Gegenteils gelesen werden. Aber das Sprachmodell, das Phonons Skript schreibt, kann neben mehr als 200 anderen hinter einem Schlüssel verfügbar sein, mit 0 % Aufschlag auf den Listenpreis des Anbieters und automatischem Failover wenn ein Anbieter beeinträchtigt ist. Für Offline-First-Produkte ist die Aufteilung natürlich: Sprachsynthese bleibt auf dem Gerät, Textgenerierung wird an das Modell geleitet, das zu dieser Stunde am günstigsten und stabilsten ist.

Worauf Sie im kommenden Monat achten sollten

Drei Signale werden die meisten offenen Fragen klären. Das erste ist eine unabhängige Bewertung – Artificial Analysis, das einen Spracheintrag hinzufügt, oder ein Labor, das Seed-TTS gegen die veröffentlichten Checkpoints erneut laufen lässt. Das zweite ist die kommerzielle Lizenz für die 40M-Modelle; wenn Gradium diese freigibt, wird der mehrsprachige Checkpoint weit interessanter als der englische. Das dritte ist die Dokumentation zum Voice Cloning. Gradiums eigener Blog verspricht Ergebnisse blinder Hörstudien „in einem künftigen Beitrag“ – was ehrlich zu veröffentlichen ist und zugleich ein Eingeständnis, dass die derzeitige Evidenz darin besteht, dass das Unternehmen seine eigene Arbeit benotet.

Bis dahin ist dies die vertretbare Position: Phonon 31M ist real, es ist klein, es läuft dort, wo der Anbieter sagt, dass es läuft, und es ist Apache 2.0. Die genaue Geschwindigkeit und Genauigkeit liegen irgendwo innerhalb der Bandbreite, die die eigenen Unterlagen des Anbieters beschreiben. Wer ein Produkt rund um die 7-ms-Zahl plant, sollte es zuerst auf seiner Zielhardware testen – und wer rund um das 40M-Modell plant, sollte die Lizenz lesen, bevor er sich in die Stimme verliebt.