Phonon : un modèle TTS de 64 Mo dont les trois fiches techniques ne concordent pas

Le checkpoint anglais de Phonon 31M — publié sous le nom gradium/phonon-31m-en — est un fichier de 64,5 Mo. C'est le modèle complet, quantifié sur huit bits, et il produit de la parole à 24 kHz sur le CPU d'un ordinateur portable avec un délai jusqu'au premier audio que le fournisseur annonce sous la barre des dix millisecondes. Gradium, une entreprise vocale parisienne fondée par d'anciens chercheurs de Kyutai, a mis la famille Phonon sur Hugging Face le 20 octobre 2026, aux côtés d'un runtime Rust et d'une compilation WebAssembly qui permet à l'engin de parler dans un onglet de navigateur.

Trois jours plus tard, la chose la plus utile qu’un lecteur puisse faire n’est pas d’écouter la démo. C’est de mettre côte à côte le blog de publication, la fiche du modèle et le README du runtime. Ils décrivent les deux mêmes checkpoints — Phonon 31M et Phonon 40M — et ils ne s’accordent pas sur les chiffres. Ce désaccord n’est pas un scandale ; il est normal pour une version publiée depuis trois jours. Mais il vous indique précisément quels chiffres sont fiables pour planifier et lesquels relèvent encore du marketing en transit.

Qu’est-ce qui a réellement été livré le 20 octobre

Gradium a publié quatre choses à la fois : les poids, les voix, un environnement d’exécution et une répartition des licences qui compte plus que le tableau des benchmarks.

Les poids se déclinent en trois formats. Phonon 31M est exclusivement en anglais, sous Apache 2.0, avec 37 voix intégrées et un GGUF q8 de 64,5 Mo. Phonon 40M est proposé en cinq checkpoints distincts, un par langue — anglais, français, allemand, espagnol et portugais — chacun d'environ 74,6 Mo, chacun conditionné à l'acceptation des conditions d'utilisation de Hugging Face, et chacun sous licence CC BY-NC 4.0. Un troisième checkpoint, Phonon 40M multilingual, regroupe les cinq langues dans un seul modèle avec 102 voix, sous la même licence non commerciale.

Cette ligne de licence est le premier point de décision, et il est facile de la manquer parce que la famille est décrite comme ouverte. Seul le modèle anglais 31M est gratuit pour un usage commercial. Les modèles 40M sont des poids ouverts au sens de la recherche : téléchargeables, inspectables, exécutables, mais pas sous licence pour un produit sans accord commercial. Une équipe qui prototype sur le 40M parce qu’il semble meilleur, puis tente de le mettre sur le marché, se heurtera à cet obstacle tardivement et à grands frais.

L’architecture, en un paragraphe

Phonon est un transformer de flow matching qui prédit des latents audio par trames de 80 millisecondes et les transmet au codec Mimi de Kyutai pour le décodage. Il s’appuie sur Pocket TTS, la gamme de petits modèles issue du même cercle de recherche. Le runtime, xn-ptts, est écrit en Rust et n’utilise pas PyTorch à l’inférence : les chemins CPU utilisent Arm KleidiAI, les appareils Apple peuvent utiliser Core ML, les puces Snapdragon peuvent utiliser le NPU QNN, et les navigateurs disposent d’une build WebAssembly SIMD. Il existe des bindings pour Python, Swift, JavaScript et C, ainsi qu’une image Docker qui expose un point de terminaison vocal compatible OpenAI.

La conséquence pratique, c’est que Phonon n’est pas un checkpoint que l’on charge dans un notebook Python en espérant qu’il tienne. C’est une cible de déploiement. Le même fichier de 64 Mo s’exécute sur une Raspberry Pi, un iPhone, un navigateur et un conteneur, et le runtime fait partie du produit autant que les poids.

Trois documents, trois séries de chiffres

Voici la partie qui mérite qu’on s’y attarde. Dans l’article de blog sur la version du 20 octobre, Phonon 31M atteint le premier échantillon audio en 7 millisecondes sur un CPU de MacBook Air M5 et tourne à 11,6 fois le temps réel sur un cœur, 29,9 fois sur quatre threads. Sur un Raspberry Pi 5, il démarre en 38 ms et tourne à 3,7 fois le temps réel. Le même article attribue à Phonon 31M un taux d’erreur de mots sur texte difficile de 1,70 % et un score Elo de naturalité en anglais de 2 098, contre 2 043 pour Kokoro.

Le README du runtime, mis à jour dans la même fenêtre, attribue au même MacBook Air M5 un débit de 26 fois le temps réel à 5 ms de délai avant le premier octet sur un cœur, et de 41 fois à 6 ms sur quatre cœurs. Sur le Raspberry Pi 5, il indique 2,3 fois le temps réel avec 68 ms avant le premier audio. Ce ne sont pas des différences d’arrondi. Un document affirme que le modèle est environ deux fois plus rapide sur un Pi que ne le dit l’autre.

La fiche modèle Hugging Face ajoute une troisième version : 1,5 % de WER sur l’ensemble difficile et 0,51 % sur Seed-TTS pour Phonon 31M, avec le même score Elo de 2 098. Le tableau du blog de publication indique 1,70 % sur l’ensemble difficile. Les deux sont des évaluations réalisées par le fournisseur. Aucune ne cite un harnais indépendant, et il n’existe pas encore d’entrée Artificial Analysis pour la famille.

• Nombre de paramètres — 31 M hors tokenizer audio, mais les métadonnées de Hugging Face indiquent 41,1 M pour le même checkpoint.

• Premier audio — 7 ms sur le blog de lancement, 5 ms dans le README, sur le même MacBook Air M5.

• Débit sur un seul cœur — 11,6× le temps réel sur le blog, 26× dans le README.

• Raspberry Pi 5 — 38 ms et 3,7× dans le blog, 68 ms et 2,3× dans le README.

• WER sur ensemble difficile — 1,70 % sur le blog, 1,5 % sur la fiche modèle.

Ce n’est pas une raison pour rejeter cette sortie. C’est une raison de traiter chaque chiffre comme une fourchette tant que quelqu’un d’extérieur à Gradium ne l’a pas reproduit. Les chiffres Elo sont les plus comparables parce qu’ils nomment leur référence : Phonon 40M à 2 117, Phonon 31M à 2 098, Phonon 40M multilingue à 2 097, Kokoro à 2 043. Un écart de 55 points par rapport à Kokoro lors du propre test d’écoute du fournisseur est une affirmation significative, et elle est falsifiable, ce qui est plus que ce qu’offrent la plupart des lancements TTS.

Ce que le dépôt vous apprend que le blog ne dit pas

Le dépôt répond aux questions que l’annonce passe sous silence. Le package navigateur ne peut charger que Phonon 31M directement depuis Hugging Face ; les checkpoints 40M doivent être servis par votre propre application, ce qui constitue une vraie contrainte si l’argument qui a retenu votre attention était « la synthèse vocale dans un onglet ». Les modèles à accès restreint nécessitent un token Hugging Face au moment du build ou de l’exécution. Le chemin Android QNN nécessite Android 12 et un HTP Snapdragon compatible, et il ne dispose d’aucun repli automatique sur le CPU — si le NPU rejette le modèle, vous obtenez une erreur, pas une exécution plus lente.

Les fichiers de voix sont distincts des poids. Les checkpoints embarquent certaines voix, et un catalogue à gradium/phonon-voices en contient davantage, notamment des voix personnalisées au format .safetensors. Cette séparation est une ingénierie judicieuse et aussi la partie la moins documentée. La manière dont une voix personnalisée est entraînée, quel enregistrement de consentement l’accompagne, et si Gradium applique un filigrane aux audios générés restent toutes sans réponse dans la documentation publique au 23 octobre.

Ce qui est confirmé : le code est sous MIT ou Apache-2.0, à votre choix ; les poids 31M sont sous Apache 2.0 ; les poids 40M sont sous CC BY-NC 4.0 ; et les runtimes existent réellement pour Linux, macOS, Windows, iOS, Android, le navigateur et Docker. Ce qui n’est pas confirmé : la latence indépendante, l’intelligibilité indépendante, la stabilité sur les textes longs au-delà de quelques phrases, et la manière dont le checkpoint multilingue gère l’alternance codique au sein d’une phrase.

Là où 31 millions de paramètres sont le bon outil

Les modèles auxquels Phonon est comparé lors de la première semaine sont majoritairement des systèmes cloud dotés d’un nombre de paramètres cent fois plus élevé et d’un saut réseau devant eux. C’est une différence de catégorie, pas une différence de qualité. Un modèle anglais de 64 Mo qui commence à parler en moins de dix millisecondes est destiné aux cas où l’audio ne doit pas quitter l’appareil, ou doit fonctionner lorsque le réseau ne le fait pas : outils d’accessibilité hors ligne, dialogues de jeux, interfaces de bornes et d’appareils, assistants privés sur téléphone et fonctionnalités de navigateur qui ne peuvent pas se permettre un aller-retour réseau.

Il convient mal aux cas opposés. Si vous avez besoin de trente langues, d’une sortie à 48 kHz, de concevoir une voix à partir d’une description textuelle ou d’un clonage de qualité studio à partir d’un échantillon de référence de dix secondes, Phonon 31M ne fait rien de tout cela. Même Phonon 40M multilingue ne couvre que cinq langues, pas trente, et sa licence exclut la plupart des produits commerciaux.

Le résumé honnête, trois jours plus tard, est que Gradium a livré une pile embarquée d’une complétude inhabituelle, avec une validation externe d’une minceur inhabituelle. L’ingénierie est inspectable — le runtime est sur GitHub, les poids sont téléchargeables, les benchmarks sont documentés suffisamment bien pour être reproduits. Les affirmations n’ont encore été reproduites par personne.

La moitié de la boucle vocale que Phonon ne couvre pas

Un modèle TTS local n’est qu’un composant d’un assistant vocal, et c’est le dernier. Quelque chose doit encore décider quoi dire : transcrire l’utilisateur, récupérer la réponse, rédiger la réponse. Phonon transforme le texte en audio sur l’appareil, mais le texte provient généralement d’un serveur de modèles, et c’est ce serveur qui concentre réellement la complexité opérationnelle.

C'est la frontière sur laquelle se situe OrcaRouter. Phonon ne figure pas dans notre catalogue — il s'exécute sur votre matériel, pas via une API, et rien ici ne doit être interprété comme affirmant le contraire. Mais le modèle de langage qui rédige le script de Phonon peut l'être, aux côtés de plus de 200 autres derrière une seule clé, avec 0 % de marge sur le prix catalogue du fournisseur et un basculement automatique lorsqu'un fournisseur se dégrade. Pour les produits pensés pour fonctionner hors ligne, la répartition est naturelle : la synthèse vocale reste sur l'appareil, la génération de texte est routée vers le modèle le moins cher et le plus fiable à cette heure-là.

Ce qu’il faut surveiller au cours du mois à venir

Trois signaux suffiront à trancher la plupart des questions ouvertes. Le premier est une évaluation indépendante : l’ajout d’une entrée vocale par Artificial Analysis, ou un laboratoire qui relance Seed-TTS sur les checkpoints publiés. Le deuxième est la licence commerciale des modèles 40M ; si Gradium les ouvre, le checkpoint multilingue devient bien plus intéressant que celui en anglais. Le troisième est la documentation sur le clonage vocal. Le blog de Gradium promet des résultats d’écoute en aveugle « dans un futur article », ce qui est honnête à publier et aussi l’aveu que les preuves actuelles reviennent à l’entreprise qui note ses propres devoirs.

D'ici là, la position défendable est la suivante : Phonon 31M est réel, il est petit, il fonctionne là où le fournisseur dit qu'il fonctionne, et il est sous Apache 2.0. La vitesse et la précision exactes se situent quelque part dans la plage décrite par les propres documents du fournisseur. Quiconque prévoit de concevoir un produit autour de la valeur de 7 ms devrait d'abord le tester sur son matériel cible — et quiconque prévoit de s'appuyer sur le modèle 40M devrait lire la licence avant de tomber sous le charme de la voix.