Phonon: Model TTS 64 MB yang Tiga Lembar Spesifikasinya Saling Bertentangan

Checkpoint bahasa Inggris dari Phonon 31M — diterbitkan sebagai gradium/phonon-31m-en — adalah file 64,5 MB. Itu adalah keseluruhan model, terkuantisasi ke delapan bit, dan menghasilkan ucapan 24 kHz di CPU laptop dengan waktu audio pertama yang menurut vendor hanya satu digit milidetik. Gradium, perusahaan ucapan Paris yang didirikan oleh mantan peneliti Kyutai, merilis keluarga Phonon di Hugging Face pada 20 Oktober 2026, bersama runtime Rust dan build WebAssembly yang memungkinkan model tersebut berbicara di dalam tab peramban.

Tiga hari kemudian, hal paling berguna yang bisa dilakukan pembaca bukanlah mendengarkan demo. Melainkan meletakkan blog rilis, kartu model, dan README runtime berdampingan. Ketiganya menjelaskan dua checkpoint yang sama — Phonon 31M dan Phonon 40M — dan angka-angkanya tidak saling cocok. Ketidakcocokan itu bukan skandal; itu normal untuk rilis berusia tiga hari. Namun itu memberi tahu Anda dengan tepat angka mana yang aman untuk dijadikan dasar perencanaan dan mana yang masih sekadar pemasaran yang sedang dalam perjalanan.

Apa yang sebenarnya dikirim pada 20 Oktober

Gradium merilis empat hal sekaligus: bobot, suara, runtime, dan pemisahan lisensi yang lebih penting daripada tabel tolok ukur.

Bobotnya hadir dalam tiga bentuk. Phonon 31M hanya untuk bahasa Inggris, Apache 2.0, 37 suara bawaan, dan q8 GGUF berukuran 64,5 MB. Phonon 40M dirilis sebagai lima checkpoint terpisah per bahasa — Inggris, Prancis, Jerman, Spanyol, dan Portugis — masing-masing sekitar 74,6 MB, masing-masing memerlukan persetujuan ketentuan Hugging Face, dan masing-masing di bawah CC BY-NC 4.0. Checkpoint ketiga, Phonon 40M multilingual, menggabungkan kelima bahasa ke dalam satu model dengan 102 suara, di bawah lisensi nonkomersial yang sama.

Baris lisensi itu adalah titik keputusan pertama, dan mudah terlewat karena keluarga model ini digambarkan sebagai terbuka. Hanya model bahasa Inggris 31M yang gratis untuk penggunaan komersial. Model 40M adalah open weights dalam pengertian riset: dapat diunduh, diperiksa, dan dijalankan, tetapi tidak dilisensikan untuk sebuah produk tanpa perjanjian komersial. Tim yang membuat prototipe dengan model 40M karena terdengar lebih baik lalu mencoba merilis produk akan menabrak hambatan itu terlambat dan dengan biaya mahal.

Arsitekturnya, dalam satu paragraf

Phonon adalah transformer flow-matching yang memprediksi latent audio dalam frame 80 milidetik dan menyerahkannya ke codec Mimi milik Kyutai untuk didekode. Phonon dibangun di atas Pocket TTS, lini model kecil yang berasal dari lingkaran riset yang sama. Runtime-nya, xn-ptts, ditulis dalam Rust dan tidak menggunakan PyTorch saat inferensi: jalur CPU menggunakan Arm KleidiAI, perangkat Apple dapat menggunakan Core ML, chip Snapdragon dapat menggunakan NPU QNN, dan browser mendapatkan build WebAssembly SIMD. Tersedia binding untuk Python, Swift, JavaScript, dan C, plus image Docker yang menyediakan endpoint speech yang kompatibel dengan OpenAI.

Konsekuensi praktisnya adalah Phonon bukanlah checkpoint yang Anda muat ke notebook Python dan berharap dapat ditampung. Ini adalah target deployment. File 64 MB yang sama berjalan di Raspberry Pi, iPhone, browser, dan container, dan runtime adalah produk sama seperti bobotnya.

Tiga dokumen, tiga rangkaian angka

Inilah bagian yang perlu dicermati lebih saksama. Pada blog rilis 20 Oktober, Phonon 31M mencapai audio pertama dalam 7 milidetik pada CPU MacBook Air M5 dan berjalan pada 11.6 kali real time pada satu inti, 29.9 kali pada empat thread. Pada Raspberry Pi 5, ia mulai dalam 38 ms dan berjalan pada 3.7 kali real time. Blog yang sama memberikan Phonon 31M tingkat kesalahan kata pada teks sulit sebesar 1.70% dan Elo kewajaran bahasa Inggris sebesar 2,098, dibandingkan dengan Kokoro sebesar 2,043.

README runtime, yang diperbarui pada jendela yang sama, memberikan MacBook Air M5 yang sama throughput 26 kali real-time pada 5 ms time-to-first-byte di satu inti, dan 41 kali pada 6 ms di empat inti. Pada Raspberry Pi 5, dokumen itu menyebut 2,3 kali real-time dengan 68 ms hingga audio pertama. Itu bukan perbedaan pembulatan. Satu dokumen menyebut model kira-kira dua kali lebih cepat di Pi daripada yang disebutkan dokumen lainnya.

Kartu model Hugging Face menambahkan versi ketiga: WER set sulit 1,5% dan 0,51% pada Seed-TTS untuk Phonon 31M, dengan Elo 2.098 yang sama. Tabel blog rilis menyebutkan 1,70% pada set sulit. Keduanya adalah evaluasi yang dijalankan vendor. Tidak satu pun mengutip harness independen, dan belum ada entri Artificial Analysis untuk keluarga ini.

• Jumlah parameter — 31M tidak termasuk tokenizer audio, tetapi metadata Hugging Face mencantumkan 41,1M untuk checkpoint yang sama.

• Audio pertama — 7 ms di blog rilis, 5 ms di README, pada MacBook Air M5 yang sama.

• Throughput pada satu inti — 11,6× waktu nyata di blog, 26× di README.

• Raspberry Pi 5 — 38 ms dan 3,7× di blog, 68 ms dan 2,3× di README.

• WER hard-set — 1,70% di blog, 1,5% di kartu model.

Ini bukan alasan untuk membuang rilis ini. Ini adalah alasan untuk memperlakukan setiap angka sebagai rentang sampai seseorang di luar Gradium mereproduksinya. Angka Elo adalah yang paling dapat dibandingkan karena menyebutkan basisnya: Phonon 40M pada 2.117, Phonon 31M pada 2.098, Phonon 40M multibahasa pada 2.097, Kokoro pada 2.043. Selisih 55 poin di atas Kokoro dalam uji mendengarkan milik vendor sendiri adalah klaim yang berarti, dan klaim itu dapat difalsifikasi, yang lebih dari yang ditawarkan sebagian besar peluncuran TTS.

Apa yang diberitahukan repo kepada Anda yang tidak diberitahukan oleh blog

Repositori ini menjawab pertanyaan yang dilewatkan pengumuman. Paket browser hanya dapat memuat Phonon 31M secara langsung dari Hugging Face; checkpoint 40M harus disajikan oleh aplikasi Anda sendiri, yang merupakan kendala nyata jika pitch yang menarik perhatian Anda adalah "TTS di dalam tab." Model dengan akses terbatas (gated) memerlukan token Hugging Face saat build atau runtime. Jalur QNN Android memerlukan Android 12 dan Snapdragon HTP yang didukung, dan tidak memiliki fallback CPU otomatis — jika NPU menolak model, Anda akan mendapatkan error, bukan eksekusi yang lebih lambat.

File suara terpisah dari bobot. Checkpoint menyertakan beberapa suara, dan katalog di gradium/phonon-voices memuat lebih banyak, termasuk suara kustom dalam format .safetensors. Pemisahan itu adalah rekayasa yang masuk akal dan juga bagian dengan dokumentasi paling sedikit. Bagaimana suara kustom dilatih, catatan persetujuan apa yang menyertainya, dan apakah Gradium memberi watermark pada audio yang dihasilkan, semuanya belum terjawab dalam materi publik per 23 Oktober.

Yang sudah terkonfirmasi: kode tersebut berlisensi MIT atau Apache-2.0 sesuai pilihan Anda, bobot 31M berlisensi Apache 2.0, bobot 40M berlisensi CC BY-NC 4.0, dan runtime-nya benar-benar tersedia untuk Linux, macOS, Windows, iOS, Android, peramban, dan Docker. Yang belum terkonfirmasi: latensi independen, keterpahaman independen, stabilitas bentuk panjang di luar beberapa kalimat, dan cara checkpoint multibahasa menangani alih kode di dalam sebuah kalimat.

Di mana 31 juta parameter adalah alat yang tepat

Model yang dibandingkan dengan Phonon pada minggu pertama sebagian besar adalah sistem cloud dengan jumlah parameter seratus kali lipat dan ada lompatan jaringan di depannya. Itu perbedaan kategori, bukan perbedaan kualitas. Model bahasa Inggris 64 MB yang mulai berbicara dalam waktu satu digit milidetik ditujukan untuk kasus ketika audio tidak boleh meninggalkan perangkat, atau harus berfungsi saat jaringan tidak tersedia: alat aksesibilitas offline, dialog game, antarmuka kios dan peralatan, asisten pribadi di ponsel, dan fitur browser yang tidak bisa mengandalkan perjalanan bolak-balik.

Ini kurang cocok untuk kasus-kasus sebaliknya. Jika Anda membutuhkan tiga puluh bahasa, keluaran 48 kHz, desain suara dari deskripsi teks, atau kloning sekelas studio dari referensi sepuluh detik, Phonon 31M tidak melakukan satu pun dari itu. Bahkan Phonon 40M multibahasa hanya mencakup lima bahasa, bukan tiga puluh, dan lisensinya tidak memungkinkan sebagian besar produk komersial.

Ringkasan jujur setelah tiga hari adalah bahwa Gradium telah merilis stack on-device yang luar biasa lengkap dengan validasi eksternal yang luar biasa tipis. Rekayasanya dapat diperiksa — runtime-nya ada di GitHub, bobotnya dapat diunduh, tolok ukurnya didokumentasikan cukup baik untuk direproduksi. Klaim-klaimnya belum direproduksi oleh siapa pun.

Separuh loop suara yang tidak dicakup Phonon

Model TTS lokal adalah salah satu komponen asisten suara, dan itu adalah komponen terakhir. Masih ada sesuatu yang harus memutuskan apa yang akan dikatakan: mentranskripsikan pengguna, mengambil jawaban, menyusun balasan. Phonon mengubah teks menjadi audio di perangkat, tetapi teksnya biasanya berasal dari server model, dan di server itulah kompleksitas operasional sebenarnya berada.

Itulah batas yang ditempati OrcaRouter. Phonon tidak ada dalam katalog kami — Phonon berjalan di perangkat keras Anda, bukan melalui API, dan tidak ada apa pun di sini yang boleh ditafsirkan sebagai klaim sebaliknya. Namun model bahasa yang menulis skrip Phonon bisa, bersama lebih dari 200 model lainnya di balik satu kunci, dengan markup 0% atas harga daftar penyedia dan failover otomatis ketika penyedia mengalami penurunan kinerja. Bagi produk yang mengutamakan mode offline, pembagian ini wajar: sintesis ucapan tetap di perangkat, sedangkan pembuatan teks dialihkan ke model mana pun yang paling murah dan paling sehat pada jam itu.

Apa yang perlu dipantau selama sebulan ke depan

Tiga sinyal akan menjawab sebagian besar pertanyaan yang masih terbuka. Yang pertama adalah evaluasi independen — Artificial Analysis menambahkan entri speech, atau sebuah lab menjalankan ulang Seed-TTS terhadap checkpoint yang telah dipublikasikan. Yang kedua adalah lisensi komersial untuk model 40M; jika Gradium membuka aksesnya, checkpoint multibahasa menjadi jauh lebih menarik daripada versi bahasa Inggrisnya. Yang ketiga adalah dokumentasi kloning suara. Blog Gradium sendiri menjanjikan hasil uji dengar buta "di postingan mendatang," yang merupakan hal jujur untuk diterbitkan dan juga pengakuan bahwa bukti saat ini adalah perusahaan yang menilai pekerjaannya sendiri.

Sampai saat itu, posisi yang bisa dipertahankan adalah ini: Phonon 31M nyata, ukurannya kecil, ia berjalan di tempat yang dikatakan vendor, dan lisensinya Apache 2.0. Kecepatan dan akurasi persisnya berada di suatu tempat dalam rentang yang dijelaskan oleh dokumen vendor sendiri. Siapa pun yang merencanakan produk berdasarkan angka 7 ms sebaiknya mengujinya pada perangkat target mereka terlebih dahulu — dan siapa pun yang merencanakan berdasarkan model 40M sebaiknya membaca lisensinya sebelum jatuh cinta pada suaranya.