Phonon: מודל TTS בנפח 64 MB ששלושת דפי המפרט שלו אינם תואמים זה לזה

הצ'קפוינט האנגלי של Phonon 31M — שפורסם בשם gradium/phonon-31m-en — הוא קובץ בגודל 64.5 MB. זהו המודל כולו, מכוונטז לשמונה סיביות, והוא מפיק דיבור ב-24 kHz על מעבד של מחשב נייד, עם נתון השמע הראשון שהיצרן מציין במילישניות חד-ספרתיות. Gradium, חברת דיבור מפריז שנוסדה בידי חוקרים לשעבר מ-Kyutai, העלתה את משפחת Phonon ל-Hugging Face ב-20 באוקטובר 2026, לצד סביבת הרצה ב-Rust ובנייה ב-WebAssembly שמאפשרת לו להשמיע דיבור בתוך לשונית דפדפן.

שלושה ימים לאחר מכן, הדבר השימושי ביותר שקורא יכול לעשות הוא לא להאזין לדמו, אלא להניח זה לצד זה את בלוג ההשקה, כרטיס המודל וה-README של סביבת ההרצה. הם מתארים את אותם שני הצ'קפוינטים — Phonon 31M וPhonon 40M — והם אינם מסכימים לגבי המספרים. אי-ההסכמה הזו אינה שערורייה; היא נורמלית עבור השקה בת שלושה ימים. אבל היא אומרת לך בדיוק אילו נתונים בטוחים לתכנון ואילו עדיין שיווק בדרך.

מה למעשה יצא ב-20 באוקטובר

Gradium שחררה ארבעה דברים בבת אחת: משקלים, קולות, סביבת ריצה ופיצול רישיון שחשוב יותר מטבלת הבנצ'מרקים.

המשקלים מגיעים בשלוש צורות. Phonon 31M מיועד לאנגלית בלבד, Apache 2.0, עם 37 קולות מובנים, ו-q8 GGUF בגודל 64.5 MB. Phonon 40M מגיע כחמישה צ'קפוינטים נפרדים, אחד לכל שפה — אנגלית, צרפתית, גרמנית, ספרדית ופורטוגזית — כל אחד בסביבות 74.6 MB, כל אחד כפוף לאישור תנאי השימוש ב-Hugging Face, וכל אחד תחת CC BY-NC 4.0. צ'קפוינט שלישי, Phonon 40M multilingual, מאחד את כל חמש השפות למודל אחד עם 102 קולות, תחת אותו רישיון לא-מסחרי.

שורת הרישיון הזו היא נקודת ההחלטה הראשונה, וקל לפספס אותה כי המשפחה מתוארת כפתוחה. רק מודל ה-31M באנגלית חופשי לשימוש מסחרי. מודלי ה-40M הם משקלים פתוחים במובן המחקרי: ניתנים להורדה, לבדיקה ולהרצה, אך אינם מורשים לשימוש במוצר ללא הסכם מסחרי. צוות שמבצע אב-טיפוס על ה-40M כי הוא נשמע טוב יותר ואז מנסה להשיק ייתקל בקיר הזה באיחור ובמחיר גבוה.

הארכיטקטורה, בפסקה אחת

פונון הוא שנאי להתאמת זרימה (flow-matching) שמנבא לטנטים של אודיו במסגרות של 80 מילישניות ומעביר אותם ל-Mimi codec של Kyutai לפענוח. הוא נבנה על Pocket TTS, קו הדגמים הקטנים שיצא מאותו מעגל מחקר. ה-runtime, xn-ptts, כתוב ב-Rust ואינו משתמש ב-PyTorch בזמן inference: מסלולי CPU משתמשים ב-Arm KleidiAI, מכשירי Apple יכולים להשתמש ב-Core ML, שבבי Snapdragon יכולים להשתמש ב-QNN NPU, ודפדפנים מקבלים build של SIMD WebAssembly. יש bindings ל-Python, Swift, JavaScript ו-C, בנוסף ל-Docker image שחושף endpoint דיבור תואם OpenAI.

ההשלכה המעשית היא ש-Phonon אינו צ'קפוינט שטוענים לתוך מחברת Python ומקווים שיתאים. הוא יעד פריסה. אותו קובץ של 64 MB פועל על Raspberry Pi, על iPhone, בדפדפן ובקונטיינר, וסביבת ההרצה היא המוצר לא פחות מהמשקולות.

שלושה מסמכים, שלוש קבוצות של מספרים

הנה החלק ששווה להאט בשבילו. בבלוג ההשקה של 20 באוקטובר, Phonon 31M מגיע לאודיו ראשון תוך 7 אלפיות שנייה על מעבד MacBook Air M5 ופועל במהירות של פי 11.6 מזמן אמת בליבה אחת, ופי 29.9 בארבעה תהליכונים. על Raspberry Pi 5 הוא מתחיל תוך 38 מ"ש ופועל במהירות של פי 3.7 מזמן אמת. אותו בלוג נותן ל-Phonon 31M שיעור שגיאת מילים בטקסט קשה של 1.70% ואלו טבעיות באנגלית של 2,098, לעומת 2,043 של Kokoro.

ה-README של ה-runtime, שעודכן באותו חלון, נותן לאותו MacBook Air M5 תפוקה של פי 26 מזמן אמת ב-5 מ״ש עד לבייט הראשון בליבה אחת, ופי 41 ב-6 מ״ש בארבע ליבות. ב-Raspberry Pi 5 כתוב פי 2.3 מזמן אמת עם 68 מ״ש עד לאודיו הראשון. אלה אינם הבדלי עיגול. מסמך אחד אומר שהמודל מהיר בערך פי שניים על Pi, לעומת מה שנאמר במסמך האחר.

כרטיס המודל של Hugging Face מוסיף גרסה שלישית: 1.5% WER בסט הקשה ו-0.51% ב-Seed-TTS עבור Phonon 31M, עם אותו 2,098 Elo. הטבלה בבלוג ההשקה אומרת 1.70% בסט הקשה. שתיהן הערכות שמבוצעות על ידי הספק. אף אחת מהן לא מציינת מערכת בדיקה עצמאית, ואין עדיין רשומה של Artificial Analysis למשפחה.

• מספר הפרמטרים — 31M ללא טוקנייזר השמע, אך המטא-נתונים של Hugging Face מפרטים 41.1M עבור אותו checkpoint.

• האודיו הראשון — 7 ms בבלוג השחרור, 5 ms ב-README, על אותו MacBook Air M5.

• תפוקה על ליבה אחת — פי 11.6 מזמן אמת בבלוג, פי 26 ב-README.

• Raspberry Pi 5 — 38 ms ו-3.7× בבלוג, 68 ms ו-2.3× ב-README.

• WER על סט קשיח — 1.70% בבלוג, 1.5% בכרטיס המודל.

זו אינה סיבה לפסול את השחרור. זו סיבה להתייחס לכל מספר כאל טווח עד שמישהו מחוץ ל-Gradium ישחזר אותו. נתוני ה-Elo הם ההשוואתיים ביותר משום שהם מציינים את בסיס ההשוואה שלהם: Phonon 40M ב-2,117, Phonon 31M ב-2,098, Phonon 40M רב-לשוני ב-2,097, Kokoro ב-2,043. פער של 55 נקודות מעל Kokoro במבחן ההאזנה של הספק עצמו הוא טענה משמעותית, והיא ניתנת להפרכה, וזה יותר ממה שרוב השקות ה-TTS מציעות.

מה שהריפו אומר לך והבלוג לא

המאגר עונה על השאלות שההכרזה מדלגת עליהן. חבילת הדפדפן יכולה לטעון רק את Phonon 31M ישירות מ-Hugging Face; את הצ'קפוינטים של 40M חייבים להגיש מהאפליקציה שלכם, וזה אילוץ ממשי אם הפיץ' שתפס את תשומת לבכם היה "TTS בלשונית". מודלים עם גישה מוגבלת (gated) דורשים אסימון Hugging Face בזמן הבנייה או ההרצה. נתיב Android QNN דורש Android 12 ו-Snapdragon HTP נתמך, ואין לו נפילה אוטומטית ל-CPU — אם ה-NPU דוחה את המודל, תקבלו שגיאה, לא הרצה איטית יותר.

קבצי קול נפרדים מהמשקלים. נקודות הביקורת מגיעות עם כמה קולות, וקטלוג בכתובת gradium/phonon-voices מכיל נוספים, כולל קולות מותאמים אישית בפורמט .safetensors. ההפרדה הזו היא הנדסה הגיונית וגם החלק עם התיעוד המועט ביותר. כיצד מאמנים קול מותאם אישית, איזו רשומת הסכמה מלווה אותו, והאם Gradium מטביעה סימן מים באודיו שנוצר — כל אלה נותרו ללא מענה בחומר הפומבי נכון ל-23 באוקטובר.

מה שמאומת: הקוד הוא MIT או Apache-2.0 לפי בחירתך, משקלי ה-31M הם Apache 2.0, משקלי ה-40M הם CC BY-NC 4.0, וסביבות ההרצה אכן קיימות עבור Linux, macOS, Windows, iOS, Android, הדפדפן ו-Docker. מה שאינו מאומת: השהיה בלתי תלויה, מובנות בלתי תלויה, יציבות לטקסט ארוך מעבר לכמה משפטים, והאופן שבו הצ'קפוינט הרב-לשוני מתמודד עם החלפת שפות בתוך משפט.

כאשר 31 מיליון פרמטרים הם הכלי הנכון

המודלים שאליהם משווים את Phonon בשבוע הראשון הם בעיקר מערכות ענן שמספר הפרמטרים שלהן גדול פי מאה, וקיימת לפניהן קפיצת רשת. זהו הבדל בקטגוריה, לא הבדל באיכות. מודל אנגלי בגודל 64 MB שמתחיל לדבר במילישניות חד-ספרתיות נועד למקרים שבהם אסור שהאודיו יעזוב את המכשיר, או שהוא חייב לעבוד כשאין רשת: כלי נגישות לא מקוונים, דיאלוג במשחקים, ממשקי קיוסק ומכשירים, עוזרים פרטיים בטלפון, ותכונות דפדפן שלא יכולות להרשות לעצמן הלוך ושוב ברשת.

הוא לא מתאים למקרים ההפוכים. אם אתה זקוק לשלושים שפות, פלט ב-48 kHz, עיצוב קול מתוך תיאור טקסט, או שיבוט ברמת אולפן מדגימת ייחוס של עשר שניות, Phonon 31M לא עושה אף אחד מאלה. אפילו Phonon 40M הרב-לשוני מכסה חמש שפות, לא שלושים, והרישיון שלו שולל את רוב המוצרים המסחריים.

הסיכום הכנה לאחר שלושה ימים הוא ש-Gradium השיקה סטאק במכשיר שלם באופן יוצא דופן, עם אימות חיצוני דל באופן יוצא דופן. ההנדסה ניתנת לבדיקה — סביבת ההרצה נמצאת ב-GitHub, המשקולות ניתנות להורדה, והבנצ'מרקים מתועדים מספיק כדי לשחזר. הטענות עדיין לא שוחזרו על ידי אף אחד.

החצי מלולאת הקול ש-Phonon לא מכסה

מודל TTS מקומי הוא רכיב אחד של עוזר קולי, והוא האחרון. עדיין משהו צריך להחליט מה לומר: לתמלל את המשתמש, לאחזר את התשובה, לנסח את המענה. Phonon הופך טקסט לאודיו במכשיר, אבל הטקסט בדרך כלל מגיע משרת מודל, וזה השרת שבו המורכבות התפעולית למעשה שוכנת.

זהו הגבול שעליו יושב OrcaRouter. Phonon אינו בקטלוג שלנו — הוא פועל על החומרה שלכם, לא דרך API, ואין לקרוא דבר כאן כטענה אחרת. אבל מודל השפה שכותב את התסריט של Phonon יכול להיות, לצד יותר מ-200 אחרים מאחורי מפתח אחד, עם 0% תוספת על מחיר המחירון של הספק ומעבר אוטומטי לגיבוי כשספק נחלש. במוצרים שמיועדים לעבודה לא מקוונת קודם כול, הפיצול טבעי: סינתזת דיבור נשארת במכשיר, ויצירת טקסט מנותבת למודל הזול והבריא ביותר באותה שעה.

מה כדאי לראות בחודש הקרוב

שלושה אותות יכריעו את רוב השאלות הפתוחות. הראשון הוא הערכה בלתי־תלויה — Artificial Analysis שתוסיף קטגוריית דיבור, או מעבדה שתהריץ מחדש את Seed-TTS מול נקודות הביקורת שפורסמו. השני הוא הרישיון המסחרי למודלים של 40M; אם Gradium תפתח אותם, נקודת הביקורת הרב־לשונית הופכת למעניינת הרבה יותר מזו האנגלית. השלישי הוא התיעוד של שיבוט קול. הבלוג של Gradium עצמה מבטיח תוצאות האזנה עיוורת "בפוסט עתידי", וזה דבר כן לפרסם — וגם הודאה בכך שהראיות הנוכחיות הן החברה שבודקת את שיעורי הבית של עצמה.

עד אז, העמדה הניתנת להגנה היא זו: Phonon 31M הוא אמיתי, הוא קטן, הוא פועל היכן שהספק אומר שהוא פועל, והוא Apache 2.0. המהירות והדיוק המדויקים נמצאים איפשהו בתוך הטווח שמתארים מסמכי הספק עצמו. כל מי שמתכנן מוצר סביב נתון ה-7 ms צריך לבדוק אותו קודם על חומרת היעד — וכל מי שמתכנן סביב מודל ה-40M צריך לקרוא את הרישיון לפני שהוא מתאהב בקול.