Phonon: un modello TTS da 64 MB le cui tre schede tecniche non concordano

Il checkpoint inglese di Phonon 31M — pubblicato come gradium/phonon-31m-en — è un file da 64,5 MB. È l'intero modello, quantizzato a otto bit, e genera parlato a 24 kHz su una CPU da laptop con un valore di primo audio che il fornitore colloca nell'ordine dei millisecondi a una cifra. Gradium, un'azienda vocale parigina fondata da ex ricercatori di Kyutai, ha pubblicato la famiglia Phonon su Hugging Face il 20 ottobre 2026, insieme a un runtime Rust e a una build WebAssembly che consente alla cosa di parlare all'interno di una scheda del browser.

Tre giorni dopo, la cosa più utile che un lettore possa fare non è ascoltare la demo. È mettere uno accanto all'altro il blog di rilascio, la model card e il README del runtime. Descrivono gli stessi due checkpoint — Phonon 31M e Phonon 40M — e non concordano sui numeri. Questa divergenza non è uno scandalo; è normale per un rilascio di tre giorni. Ma ti dice esattamente su quali cifre puoi pianificare in sicurezza e quali sono ancora marketing in transito.

Cosa è stato effettivamente rilasciato il 20 ottobre

Gradium ha rilasciato quattro cose in una volta: pesi, voci, un runtime e una separazione delle licenze che conta più della tabella dei benchmark.

I pesi sono disponibili in tre forme. Phonon 31M è solo in inglese, Apache 2.0, 37 voci integrate e un GGUF q8 da 64,5 MB. Phonon 40M viene distribuito come cinque checkpoint separati per lingua — inglese, francese, tedesco, spagnolo e portoghese — ciascuno di circa 74,6 MB, ciascuno soggetto all'accettazione dei termini di Hugging Face e ciascuno con licenza CC BY-NC 4.0. Un terzo checkpoint, Phonon 40M multilingual, riunisce tutte e cinque le lingue in un unico modello con 102 voci, con la stessa licenza non commerciale.

Quella riga di licenza è il primo punto decisionale, ed è facile trascurarla perché la famiglia viene descritta come aperta. Solo il modello inglese 31M è gratuito per uso commerciale. I modelli 40M sono pesi aperti in senso di ricerca: scaricabili, ispezionabili, eseguibili, ma non concessi in licenza per un prodotto senza un accordo commerciale. Un team che fa prototipazione sui 40M perché sembrano migliori e poi tenta di portare il prodotto sul mercato si scontrerà con quel limite tardi e a caro prezzo.

L'architettura, in un paragrafo

Phonon è un transformer di flow matching che predice latenti audio in frame da 80 millisecondi e li passa al codec Mimi di Kyutai per la decodifica. Si basa su Pocket TTS, la linea di modelli piccoli nata dallo stesso ambiente di ricerca. Il runtime, xn-ptts, è scritto in Rust e non utilizza PyTorch in fase di inferenza: i percorsi CPU usano Arm KleidiAI, i dispositivi Apple possono usare Core ML, i chip Snapdragon possono usare la NPU QNN e per i browser è disponibile una build WebAssembly SIMD. Sono disponibili binding per Python, Swift, JavaScript e C, oltre a un'immagine Docker che espone un endpoint vocale compatibile con OpenAI.

La conseguenza pratica è che Phonon non è un checkpoint che carichi in un notebook Python sperando che ci stia. È un obiettivo di distribuzione. Lo stesso file da 64 MB gira su un Raspberry Pi, un iPhone, un browser e un container, e il runtime è il prodotto tanto quanto lo sono i pesi.

Tre documenti, tre serie di numeri

Ecco la parte per cui vale la pena rallentare. Nel blog di rilascio del 20 ottobre, Phonon 31M raggiunge il primo audio in 7 millisecondi su una CPU MacBook Air M5 e gira a 11,6 volte la velocità in tempo reale su un core, 29,9 volte su quattro thread. Su un Raspberry Pi 5 si avvia in 38 ms e gira a 3,7 volte la velocità in tempo reale. Lo stesso blog assegna a Phonon 31M un tasso di errore di parola sul testo difficile dell'1,70% e un Elo di naturalezza dell'inglese di 2.098, contro 2.043 di Kokoro.

Il README del runtime, aggiornato nella stessa finestra, attribuisce allo stesso MacBook Air M5 una velocità effettiva di 26 volte il tempo reale con 5 ms di tempo al primo byte su un core, e 41 volte con 6 ms su quattro core. Sul Raspberry Pi 5 indica 2,3 volte il tempo reale con 68 ms al primo audio. Non si tratta di differenze di arrotondamento. Un documento afferma che il modello è circa due volte più veloce su un Pi di quanto affermi l'altro.

La model card di Hugging Face aggiunge una terza versione: 1,5% di WER sul set difficile e 0,51% su Seed-TTS per Phonon 31M, con lo stesso Elo di 2.098. La tabella del blog di rilascio indica 1,70% sul set difficile. Entrambe sono valutazioni eseguite dal fornitore. Nessuna delle due cita un harness indipendente, e non esiste ancora una voce di Artificial Analysis per la famiglia.

• Conteggio dei parametri — 31M escluso il tokenizer audio, ma i metadati di Hugging Face indicano 41,1M per lo stesso checkpoint.

• Primo audio — 7 ms sul blog della release, 5 ms nel README, sullo stesso MacBook Air M5.

• Throughput su un singolo core — 11,6× il tempo reale nel blog, 26× nel README.

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

• WER impostato rigidamente — 1,70% sul blog, 1,5% sulla model card.

Questa non è una ragione per scartare il rilascio. È una ragione per trattare ogni numero come un intervallo finché qualcuno al di fuori di Gradium non lo riproduce. Le cifre Elo sono le più confrontabili perché dichiarano la loro baseline: Phonon 40M a 2.117, Phonon 31M a 2.098, Phonon 40M multilingue a 2.097, Kokoro a 2.043. Un divario di 55 punti rispetto a Kokoro nel test di ascolto dello stesso fornitore è un'affermazione significativa, ed è falsificabile, il che è più di quanto offrano la maggior parte dei lanci TTS.

Quello che il repository ti dice e che il blog non ti dice

Il repository risponde a domande che l'annuncio tralascia. Il pacchetto browser può caricare direttamente da Hugging Face solo Phonon 31M; i checkpoint 40M devono essere serviti dalla tua applicazione, il che è un vincolo reale se il messaggio che ti ha colpito era "TTS in a tab". I modelli ad accesso limitato richiedono un token di Hugging Face in fase di build o di esecuzione. Il percorso Android QNN richiede Android 12 e un HTP Snapdragon supportato, e non ha alcun fallback automatico sulla CPU — se l'NPU rifiuta il modello, ottieni un errore, non un'esecuzione più lenta.

I file vocali sono separati dai pesi. I checkpoint includono alcune voci, mentre un catalogo su gradium/phonon-voices ne contiene altre, comprese voci personalizzate in formato .safetensors. Questa separazione è un'ingegneria sensata ed è anche la parte meno documentata. Come viene addestrata una voce personalizzata, quale registrazione del consenso la accompagna e se Gradium appone un watermark all'audio generato restano tutte domande senza risposta nel materiale pubblico al 23 ottobre.

Cosa è confermato: il codice è MIT o Apache-2.0 a tua scelta, i pesi da 31M sono Apache 2.0, i pesi da 40M sono CC BY-NC 4.0, e i runtime esistono davvero per Linux, macOS, Windows, iOS, Android, il browser e Docker. Cosa non è confermato: la latenza indipendente, l'intelligibilità indipendente, la stabilità su testi lunghi oltre poche frasi, e come il checkpoint multilingue gestisce l'alternanza di codice all'interno di una frase.

Dove 31 milioni di parametri sono lo strumento giusto

I modelli con cui Phonon viene confrontato nella prima settimana sono per lo più sistemi cloud con cento volte il numero di parametri e un salto di rete davanti. Si tratta di una differenza di categoria, non di qualità. Un modello inglese da 64 MB che inizia a parlare in millisecondi a una cifra serve ai casi in cui l'audio non deve lasciare il dispositivo, o deve funzionare quando la rete non c'è: strumenti di accessibilità offline, dialoghi di gioco, interfacce per chioschi ed elettrodomestici, assistenti privati su un telefono e funzionalità del browser che non possono permettersi un round trip.

È una scelta poco adatta per i casi opposti. Se hai bisogno di trenta lingue, output a 48 kHz, progettazione della voce a partire da una descrizione testuale o clonazione di qualità da studio da un riferimento di dieci secondi, Phonon 31M non fa nulla di tutto ciò. Persino Phonon 40M multilingue copre cinque lingue, non trenta, e la sua licenza esclude la maggior parte dei prodotti commerciali.

Il riassunto onesto dopo tre giorni è che Gradium ha rilasciato uno stack on-device insolitamente completo con una validazione esterna insolitamente scarsa. L'ingegneria è ispezionabile: il runtime è su GitHub, i pesi sono scaricabili, i benchmark sono documentati abbastanza bene da poter essere riprodotti. Le dichiarazioni non sono ancora state riprodotte da nessuno.

La metà del loop vocale che Phonon non copre

Un modello TTS locale è una componente di un assistente vocale, ed è l'ultima. Qualcosa deve comunque decidere cosa dire: trascrivere l'utente, recuperare la risposta, redigere la replica. Phonon trasforma il testo in audio sul dispositivo, ma di solito il testo proviene da un server di modelli, ed è quel server il luogo in cui risiede davvero la complessità operativa.

Questo è il confine su cui si colloca OrcaRouter. Phonon non è nel nostro catalogo — gira sul vostro hardware, non tramite un'API, e nulla di quanto scritto qui va interpretato come un'asserzione contraria. Ma il modello linguistico che scrive lo script di Phonon può esserlo, insieme a oltre 200 altri dietro un'unica chiave, con 0% di ricarico sul prezzo di listino del provider e failover automatico quando un provider peggiora. Per i prodotti offline-first la suddivisione è naturale: la sintesi vocale resta sul dispositivo, la generazione di testo viene indirizzata al modello più economico e in migliori condizioni in quel momento.

Cosa guardare nel prossimo mese

Tre segnali risolveranno la maggior parte delle questioni aperte. Il primo è una valutazione indipendente: Artificial Analysis che aggiunge una voce dedicata al parlato, oppure un laboratorio che riesegue Seed-TTS sui checkpoint pubblicati. Il secondo è la licenza commerciale per i modelli 40M; se Gradium le rende disponibili, il checkpoint multilingue diventa molto più interessante di quello inglese. Il terzo è la documentazione sul clonaggio vocale. Il blog di Gradium promette risultati di ascolto cieco «in un post futuro», il che è una cosa onesta da pubblicare e anche l'ammissione che, allo stato attuale, le prove sono quelle di un'azienda che si dà i voti da sola.

Fino ad allora, la posizione difendibile è questa: Phonon 31M è reale, è piccolo, gira dove il fornitore dice che gira ed è Apache 2.0. La velocità e l'accuratezza esatte si collocano da qualche parte nell'intervallo descritto dai documenti dello stesso fornitore. Chiunque stia pianificando un prodotto intorno alla cifra di 7 ms dovrebbe prima testarlo sull'hardware di destinazione — e chiunque stia pianificando intorno al modello 40M dovrebbe leggere la licenza prima di innamorarsi della voce.