Phonon: un modelo TTS de 64 MB cuyas tres hojas de especificaciones no coinciden

El checkpoint inglés de Phonon 31M —publicado como gradium/phonon-31m-en— es un archivo de 64,5 MB. Ese es el modelo completo, cuantizado a ocho bits, y genera voz a 24 kHz en la CPU de un portátil con un tiempo hasta el primer audio que el proveedor sitúa en milisegundos de un solo dígito. Gradium, una empresa de voz con sede en París fundada por antiguos investigadores de Kyutai, publicó la familia Phonon en Hugging Face el 20 de octubre de 2026, junto con un entorno de ejecución de Rust y una compilación de WebAssembly que permite que el modelo hable dentro de una pestaña del navegador.

Tres días después, lo más útil que puede hacer un lector no es escuchar la demo. Es poner el blog de lanzamiento, la model card y el README del runtime uno junto al otro. Describen los mismos dos checkpoints — Phonon 31M y Phonon 40M — y no coinciden en las cifras. Esa discrepancia no es un escándalo; es normal en un lanzamiento de hace tres días. Pero te dice exactamente qué cifras son seguras para planificar y cuáles siguen siendo marketing en tránsito.

¿Qué se lanzó realmente el 20 de octubre?

Gradium lanzó cuatro cosas a la vez: pesos, voces, un entorno de ejecución y una división de licencias que importa más que la tabla de benchmarks.

Los pesos vienen en tres formas. Phonon 31M es solo para inglés, Apache 2.0, 37 voces integradas y un q8 GGUF de 64,5 MB. Phonon 40M se distribuye como cinco puntos de control separados por idioma —inglés, francés, alemán, español y portugués—, cada uno de alrededor de 74,6 MB, cada uno con acceso condicionado a la aceptación de los términos de Hugging Face y cada uno bajo CC BY-NC 4.0. Un tercer punto de control, Phonon 40M multilingual, combina los cinco idiomas en un solo modelo con 102 voces, bajo la misma licencia no comercial.

Esa línea de la licencia es el primer punto de decisión, y es fácil pasarla por alto porque se describe la familia como abierta. Solo el modelo inglés de 31M es gratuito para uso comercial. Los modelos de 40M son pesos abiertos en el sentido de la investigación: descargables, inspeccionables y ejecutables, pero no están licenciados para un producto sin un acuerdo comercial. Un equipo que haga prototipos con el de 40M porque suena mejor y luego intente lanzarlo al mercado se topará con ese obstáculo tarde y a un costo elevado.

La arquitectura, en un párrafo

Phonon es un transformer de flow matching que predice latentes de audio en tramas de 80 milisegundos y las pasa al códec Mimi de Kyutai para su decodificación. Se basa en Pocket TTS, la línea de modelos pequeños que surgió del mismo círculo de investigación. El runtime, xn-ptts, está escrito en Rust y no usa PyTorch durante la inferencia: las rutas de CPU usan Arm KleidiAI, los dispositivos Apple pueden usar Core ML, los chips Snapdragon pueden usar la NPU QNN y los navegadores reciben una compilación de WebAssembly SIMD. Hay bindings para Python, Swift, JavaScript y C, además de una imagen Docker que expone un endpoint de voz compatible con OpenAI.

La consecuencia práctica es que Phonon no es un checkpoint que se carga en un notebook de Python y se espera que encaje. Es un objetivo de despliegue. El mismo archivo de 64 MB se ejecuta en una Raspberry Pi, un iPhone, un navegador y un contenedor, y el entorno de ejecución es parte del producto tanto como los pesos.

Tres documentos, tres conjuntos de números

Esta es la parte por la que merece la pena detenerse. En el blog de lanzamiento del 20 de octubre, Phonon 31M alcanza el primer audio en 7 milisegundos en una CPU de MacBook Air M5 y se ejecuta a 11,6 veces el tiempo real en un núcleo, y a 29,9 veces en cuatro hilos. En una Raspberry Pi 5, arranca en 38 ms y se ejecuta a 3,7 veces el tiempo real. El mismo blog atribuye a Phonon 31M una tasa de error de palabras en texto difícil del 1,70 % y un Elo de naturalidad en inglés de 2.098, frente a los 2.043 de Kokoro.

El README del runtime, actualizado en la misma ventana, atribuye al mismo MacBook Air M5 un rendimiento de 26 veces el tiempo real con 5 ms hasta el primer byte en un núcleo, y 41 veces con 6 ms en cuatro núcleos. En la Raspberry Pi 5 indica 2,3 veces el tiempo real con 68 ms hasta el primer audio. Esas no son diferencias de redondeo. Un documento afirma que el modelo es aproximadamente el doble de rápido en una Pi de lo que afirma el otro.

La tarjeta del modelo de Hugging Face añade una tercera versión: 1,5 % de WER en el conjunto difícil y 0,51 % en Seed-TTS para Phonon 31M, con el mismo Elo de 2.098. La tabla del blog de lanzamiento indica 1,70 % en el conjunto difícil. Ambas son evaluaciones realizadas por el proveedor. Ninguna cita un entorno de pruebas independiente, y todavía no hay ninguna entrada de Artificial Analysis para la familia.

• Número de parámetros: 31 M sin incluir el tokenizador de audio, pero los metadatos de Hugging Face indican 41,1 M para el mismo checkpoint.

• Primer audio: 7 ms en el blog de lanzamiento, 5 ms en el README, en el mismo MacBook Air M5.

• Rendimiento en un solo núcleo: 11,6× en tiempo real en el blog, 26× en el README.

• Raspberry Pi 5 — 38 ms y 3,7× en el blog, 68 ms y 2,3× en el README.

• WER de conjunto fijo — 1,70 % en el blog, 1,5 % en la ficha del modelo.

Esto no es una razón para descartar el lanzamiento. Es una razón para tratar cada cifra como un intervalo hasta que alguien fuera de Gradium la reproduzca. Las cifras de Elo son las más comparables porque nombran su referencia: Phonon 40M con 2.117, Phonon 31M con 2.098, Phonon 40M multilingüe con 2.097, Kokoro con 2.043. Una diferencia de 55 puntos frente a Kokoro en la propia prueba de escucha del proveedor es una afirmación significativa, y es falsable, lo que es más de lo que ofrecen la mayoría de los lanzamientos de TTS.

Lo que el repositorio te dice y el blog no

El repositorio responde a las preguntas que el anuncio omite. El paquete para navegador solo puede cargar Phonon 31M directamente desde Hugging Face; los checkpoints de 40M tienen que servirse desde tu propia aplicación, lo que es una limitación real si el argumento que llamó tu atención era «TTS en una pestaña». Los modelos con acceso restringido necesitan un token de Hugging Face en tiempo de compilación o de ejecución. La ruta QNN de Android requiere Android 12 y un HTP de Snapdragon compatible, y no dispone de fallback automático a CPU: si la NPU rechaza el modelo, recibes un error, no una ejecución más lenta.

Los archivos de voz son independientes de los pesos. Los checkpoints incluyen algunas voces, y un catálogo en gradium/phonon-voices contiene más, incluidas voces personalizadas en formato .safetensors. Esa separación es ingeniería sensata y también la parte con menos documentación. Cómo se entrena una voz personalizada, qué registro de consentimiento la acompaña y si Gradium aplica marcas de agua al audio generado son todas cuestiones sin respuesta en el material público a 23 de octubre.

Lo que está confirmado: el código es MIT o Apache-2.0, a su elección; los pesos de 31M son Apache 2.0; los pesos de 40M son CC BY-NC 4.0; y los runtimes existen realmente para Linux, macOS, Windows, iOS, Android, el navegador y Docker. Lo que no está confirmado: la latencia independiente, la inteligibilidad independiente, la estabilidad en textos largos más allá de unas pocas frases, y cómo maneja el checkpoint multilingüe la alternancia de código dentro de una frase.

Donde 31 millones de parámetros es la herramienta adecuada

Los modelos con los que se compara a Phonon durante la primera semana son, en su mayoría, sistemas en la nube con cien veces más parámetros y un salto de red por delante. Eso es una diferencia de categoría, no de calidad. Un modelo inglés de 64 MB que empieza a hablar en milisegundos de un solo dígito está pensado para los casos en los que el audio no debe salir del dispositivo o debe funcionar cuando la red no lo hace: herramientas de accesibilidad sin conexión, diálogos de videojuegos, interfaces de kioscos y electrodomésticos, asistentes privados en un teléfono y funciones de navegador que no pueden permitirse una ida y vuelta a la red.

No encaja bien en los casos contrarios. Si necesitas treinta idiomas, salida a 48 kHz, diseño de voz a partir de una descripción textual o clonación de calidad de estudio a partir de una referencia de diez segundos, Phonon 31M no ofrece nada de eso. Incluso Phonon 40M multilingual cubre cinco idiomas, no treinta, y su licencia deja fuera a la mayoría de los productos comerciales.

El resumen honesto tras tres días es que Gradium ha lanzado un stack en el dispositivo inusualmente completo con una validación externa inusualmente escasa. La ingeniería es inspeccionable — el runtime está en GitHub, los pesos se pueden descargar y los benchmarks están documentados lo suficientemente bien como para reproducirlos. Las afirmaciones aún no han sido reproducidas por nadie.

La mitad del bucle de voz que Phonon no cubre

Un modelo TTS local es un componente de un asistente de voz, y es el último. Algo todavía tiene que decidir qué decir: transcribir al usuario, recuperar la respuesta, redactar la contestación. Phonon convierte texto en audio en el dispositivo, pero el texto normalmente proviene de un servidor de modelos, y ese servidor es donde realmente reside la complejidad operativa.

Ese es el límite en el que se sitúa OrcaRouter. Phonon no está en nuestro catálogo —se ejecuta en tu hardware, no a través de una API, y nada de lo que aquí se dice debe interpretarse como que afirmamos lo contrario. Pero el modelo de lenguaje que escribe el guion de Phonon sí puede estarlo, junto a más de 200 otros detrás de una sola clave, con un 0 % de recargo sobre el precio de lista del proveedor y con conmutación por error automática cuando un proveedor se degrada. Para los productos offline-first la división es natural: la síntesis de voz permanece en el dispositivo, la generación de texto se dirige al modelo que resulte más económico y esté en mejor estado en ese momento.

Qué ver durante el próximo mes

Tres señales resolverán la mayoría de las preguntas abiertas. La primera es una evaluación independiente: que Artificial Analysis añada una entrada de voz, o que un laboratorio vuelva a ejecutar Seed-TTS contra los checkpoints publicados. La segunda es la licencia comercial de los modelos de 40M; si Gradium los libera, el checkpoint multilingüe pasa a ser mucho más interesante que el inglés. La tercera es la documentación sobre clonación de voz. El propio blog de Gradium promete resultados de escucha a ciegas "en una futura publicación", lo cual es una cosa honesta que publicar y también una admisión de que la evidencia actual es la empresa corrigiendo sus propios deberes.

Hasta entonces, la postura defendible es esta: Phonon 31M es real, es pequeño, funciona donde el proveedor dice que funciona y es Apache 2.0. La velocidad y la precisión exactas están en algún punto dentro del rango que describen los propios documentos del proveedor. Cualquiera que planee un producto en torno a la cifra de 7 ms debería probarlo primero en su hardware objetivo, y cualquiera que planee en torno al modelo 40M debería leer la licencia antes de enamorarse de la voz.