Phonon: 세 개의 사양서가 서로 맞지 않는 64MB TTS 모델

의 영어 체크포인트Phonon 31M — gradium/phonon-31m-en으로 공개된 — 64.5MB 파일입니다. 이는 8비트로 양자화된 모델 전체이며, 노트북 CPU에서 24kHz 음성을 생성하고, 첫 오디오 출력 수치는 업체가 한 자릿수 밀리초로 제시합니다. 전 Kyutai 연구원들이 설립한 파리 기반 음성 회사인 Gradium은 Phonon 패밀리를 2026년 10월 20일 Hugging Face에 Rust 런타임 및 브라우저 탭 안에서 이 모델이 말하게 해 주는 WebAssembly 빌드와 함께 공개했습니다.

사흘 뒤, 독자가 할 수 있는 가장 유용한 일은 데모를 듣는 것이 아니다. 릴리스 블로그와 모델 카드, 런타임 README를 나란히 놓는 것이다. 이들은 동일한 두 체크포인트, 즉 Phonon 31M 및 Phonon 40M를 설명하며, 수치에 대해서는 서로 일치하지 않는다. 그 불일치는 스캔들이 아니다. 사흘 된 릴리스에서는 정상이다. 하지만 그것은 어떤 수치를 기준으로 계획해도 안전한지, 어떤 수치가 아직 마케팅이 진행 중인지 정확히 알려준다.

10월 20일에 실제로 무엇이 출시되었나요?

Gradium은 가중치, 음성, 런타임, 그리고 벤치마크 표보다 더 중요한 라이선스 분할까지 네 가지를 한꺼번에 공개했습니다.

가중치는 세 가지 형태로 제공됩니다. Phonon 31M은 영어 전용이고 Apache 2.0이며, 내장 음성 37개와 64.5MB의 q8 GGUF를 제공합니다. Phonon 40M은 언어별로 분리된 5개의 체크포인트로 제공됩니다. 영어, 프랑스어, 독일어, 스페인어, 포르투갈어 각각 약 74.6MB이고, 각각 Hugging Face 약관 동의가 필요하며, 각각 CC BY-NC 4.0 라이선스가 적용됩니다. 세 번째 체크포인트인 Phonon 40M multilingual은 다섯 언어를 모두 102개의 음성을 갖춘 하나의 모델로 통합하며, 동일한 비상업적 라이선스를 따릅니다.

그 라이선스 문구가 첫 번째 결정 지점인데, 이 제품군이 '오픈'이라고 설명되어 있어서 놓치기 쉽습니다. 상업적 사용이 무료인 것은 31M 영어 모델뿐입니다. 40M 모델들은 연구적 의미의 오픈 웨이트입니다. 즉, 다운로드하고 검사하고 실행할 수는 있지만, 상업적 계약 없이 제품에 사용할 라이선스는 없습니다. 40M이 더 좋아 보인다는 이유로 그 모델로 프로토타입을 만들었다가 출시를 시도하는 팀은 그 벽에 늦게, 그리고 큰 비용을 치르고 부딪히게 됩니다.

한 문단으로 정리한 아키텍처

Phonon은 80밀리초 프레임 단위로 오디오 잠재값을 예측하고, 이를 디코딩을 위해 Kyutai의 Mimi 코덱에 넘기는 플로 매칭 트랜스포머입니다. 이는 같은 연구진에서 나온 소형 모델 계열인 Pocket TTS를 기반으로 합니다. 런타임인 xn-ptts는 Rust로 작성되었으며 추론 시 PyTorch를 사용하지 않습니다. CPU 경로는 Arm KleidiAI를 사용하고, Apple 기기에서는 Core ML을, Snapdragon 칩에서는 QNN NPU를 사용할 수 있으며, 브라우저에는 SIMD WebAssembly 빌드가 제공됩니다. Python, Swift, JavaScript, C용 바인딩과 OpenAI 호환 음성 엔드포인트를 제공하는 Docker 이미지도 있습니다.

실질적인 결과는 Phonon이 Python 노트북에 로드해 맞기를 바라는 체크포인트가 아니라는 점입니다. 그것은 배포 대상입니다. 동일한 64 MB 파일이 Raspberry Pi, iPhone, 브라우저, 컨테이너에서 실행되며, 런타임은 가중치만큼이나 제품의 일부입니다.

문서 세 개, 숫자 세 세트

여기 잠시 속도를 늦춰 볼 만한 부분이 있습니다. 10월 20일 릴리스 블로그에서 Phonon 31M은 MacBook Air M5 CPU에서 첫 오디오까지 7밀리초 만에 도달하고, 단일 코어에서 실시간 대비 11.6배, 4개 스레드에서 29.9배로 실행됩니다. Raspberry Pi 5에서는 38ms 만에 시작하고 실시간 대비 3.7배로 실행됩니다. 같은 블로그는 Phonon 31M의 어려운 텍스트 단어 오류율을 1.70%, 영어 자연스러움 Elo를 2,098로 제시하며, 이는 Kokoro의 2,043과 대비됩니다.

같은 기간에 업데이트된 런타임 README는 동일한 MacBook Air M5에 대해 한 코어에서 첫 바이트까지 5ms에 실시간 대비 26배의 처리량을, 네 코어에서 6ms에 41배를 제시한다. Raspberry Pi 5에서는 첫 오디오까지 68ms에 실시간 대비 2.3배라고 밝힌다. 이는 반올림 차이가 아니다. 한 문서에서는 모델이 Pi에서 다른 문서가 말하는 것보다 대략 두 배 빠르다고 한다.

Hugging Face 모델 카드에는 세 번째 버전이 추가됩니다: Phonon 31M의 하드 세트 WER 1.5%, Seed-TTS에서 0.51%이며, 동일한 2,098 Elo입니다. 릴리스 블로그의 표에는 하드 세트에서 1.70%라고 나와 있습니다. 둘 다 벤더가 실행한 평가입니다. 어느 쪽도 독립적인 하네스를 인용하지 않으며, 해당 제품군에 대한 Artificial Analysis 항목은 아직 없습니다.

• 파라미터 수 — 오디오 토크나이저를 제외하면 31M이지만, Hugging Face 메타데이터에는 동일한 체크포인트에 대해 41.1M으로 기재되어 있습니다.

• 첫 오디오 — 릴리스 블로그에서는 7ms, README에서는 5ms, 동일한 MacBook Air M5에서.

• 단일 코어 처리량 — 블로그에서는 실시간 대비 11.6배, README에서는 26배입니다.

• Raspberry Pi 5 — 블로그에서 38 ms 및 3.7×, README에서 68 ms 및 2.3×.

• Hard-set WER — 블로그에서 1.70%, 모델 카드에서 1.5%.

이것은 릴리스를 폐기할 이유가 아닙니다. 오히려 Gradium 외부의 누군가가 이를 재현하기 전까지는 모든 수치를 범위로 취급해야 할 이유입니다. Elo 수치는 기준선을 명시하기 때문에 가장 비교 가능합니다: Phonon 40M은 2,117, Phonon 31M은 2,098, Phonon 40M 다국어는 2,097, Kokoro는 2,043입니다. 벤더 자체의 청취 테스트에서 Kokoro보다 55점 앞선다는 것은 의미 있는 주장이며, 반증 가능하다는 점은 대부분의 TTS 출시가 제공하는 것보다 낫습니다.

블로그가 말해주지 않는 것을 저장소가 알려주는 것

저장소는 발표문이 생략한 질문들에 답합니다. 브라우저 패키지는 Hugging Face에서 Phonon 31M만 직접 로드할 수 있습니다. 40M 체크포인트는 자체 애플리케이션에서 제공해야 하므로, 관심을 끌었던 홍보 문구가 “탭 안의 TTS”였다면 이는 실질적인 제약입니다. 게이트된 모델은 빌드 또는 실행 시 Hugging Face 토큰이 필요합니다. Android QNN 경로는 Android 12와 지원되는 Snapdragon HTP가 필요하며 자동 CPU 폴백이 없습니다. NPU가 모델을 거부하면 느리게 실행되는 것이 아니라 오류가 발생합니다.

음성 파일은 가중치와 별개입니다. 체크포인트에는 일부 음성이 포함되어 제공되며, gradium/phonon-voices의 카탈로그에는 .safetensors 형식의 사용자 지정 음성을 포함해 더 많은 음성이 있습니다. 그 분리는 합리적인 엔지니어링이며, 동시에 문서화가 가장 적은 부분이기도 합니다. 사용자 지정 음성이 어떻게 훈련되는지, 어떤 동의 기록이 함께 전달되는지, Gradium이 생성된 오디오에 워터마크를 넣는지는 10월 23일 기준 공개 자료에서 모두 답이 없습니다.

확인된 것: 코드는 선택에 따라 MIT 또는 Apache-2.0이며, 31M 가중치는 Apache 2.0, 40M 가중치는 CC BY-NC 4.0이고, 런타임은 Linux, macOS, Windows, iOS, Android, 브라우저 및 Docker에서 실제로 존재합니다. 확인되지 않은 것: 독립적인 지연 시간, 독립적인 명료도, 몇 문장을 넘는 장문 안정성, 그리고 다국어 체크포인트가 문장 내에서 코드 스위칭을 처리하는 방식입니다.

3,100만 개의 파라미터가 적합한 도구일 때

첫 주에 Phonon이 비교되는 모델들은 대부분 매개변수 수가 100배에 달하고 앞단에 네트워크 홉이 있는 클라우드 시스템입니다. 그것은 품질 차이가 아니라 범주 차이입니다. 한 자릿수 밀리초 만에 말을 시작하는 64MB 영어 모델은 오디오가 기기를 떠나서는 안 되거나 네트워크가 없을 때도 작동해야 하는 경우를 위한 것입니다: 오프라인 접근성 도구, 게임 대화, 키오스크 및 가전제품 인터페이스, 휴대폰의 개인 비서, 그리고 왕복 지연을 감당할 수 없는 브라우저 기능.

반대의 경우에는 적합하지 않습니다. 30개 언어, 48 kHz 출력, 텍스트 설명을 바탕으로 한 음성 설계, 또는 10초 분량의 참조 음성으로부터의 스튜디오급 클로닝이 필요하다면 Phonon 31M은 그중 어느 것도 지원하지 않습니다. Phonon 40M 다국어 버전조차 30개가 아닌 5개 언어를 지원하며, 라이선스상 대부분의 상용 제품에는 사용할 수 없습니다.

3일이 지난 시점에서 솔직히 요약하자면, Gradium은 유난히 완성도 높은 온디바이스 스택을 내놓았지만 외부 검증은 유난히 빈약하다. 엔지니어링은 검증 가능하다. 런타임은 GitHub에 있고, 가중치는 내려받을 수 있으며, 벤치마크는 재현할 수 있을 만큼 충분히 문서화되어 있다. 다만 그 주장은 아직 누구도 재현하지 못했다.

Phonon이 커버하지 않는 음성 루프의 절반

로컬 TTS 모델은 음성 비서의 구성 요소 중 하나이며, 그것도 마지막 구성 요소입니다. 무엇을 말할지는 여전히 무언가가 결정해야 합니다. 사용자의 음성을 받아쓰고, 답을 검색하고, 응답을 작성하는 일이죠. Phonon은 기기에서 텍스트를 오디오로 변환하지만, 그 텍스트는 대개 모델 서버에서 오며, 운영상의 복잡성은 실제로 바로 그 서버에 존재합니다.

그것이 바로 OrcaRouter가 서 있는 경계입니다. Phonon은 저희 카탈로그에 없습니다. Phonon은 API를 통해서가 아니라 여러분의 하드웨어에서 실행되며, 이 글의 어떤 내용도 그와 다르게 주장하는 것으로 읽혀서는 안 됩니다. 하지만 Phonon의 스크립트를 작성하는 언어 모델은 하나의 키로 200개 이상의 다른 모델과 함께 사용할 수 있으며, 제공업체 정가에 0% 마크업, 자동 페일오버가 제공업체 성능이 저하될 때 작동합니다. 오프라인 우선 제품에서는 이런 분리가 자연스럽습니다. 음성 합성은 기기에 남아 있고, 텍스트 생성은 그 시점에 가장 저렴하고 가장 상태가 좋은 모델로 라우팅됩니다.

앞으로 한 달 동안 주목할 것

세 가지 신호가 대부분의 미해결 질문을 매듭지을 것이다. 첫째는 독립적 평가다. Artificial Analysis가 음성 항목을 추가하거나, 한 연구소가 공개된 체크포인트를 대상으로 Seed-TTS를 다시 실행하는 경우다. 둘째는 40M 모델들의 상용 라이선스다. Gradium이 그것들을 개방하면 다국어 체크포인트는 영어 체크포인트보다 훨씬 더 흥미로워진다. 셋째는 음성 복제 문서화다. Gradium 자체 블로그는 "향후 게시물"에서 블라인드 청취 결과를 약속하는데, 이는 공개하기에 정직한 일이면서 동시에 현재의 증거가 회사가 자기 숙제를 스스로 채점하는 것이라는 고백이기도 하다.

그때까지 방어 가능한 입장은 이것이다: Phonon 31M은 실재하고, 작으며, 공급업체가 말하는 곳에서 실행되고, Apache 2.0이다. 정확한 속도와 정확도는 공급업체 자체 문서가 설명하는 범위 안 어딘가에 있다. 7 ms 수치를 기준으로 제품을 계획하는 사람은 누구든 먼저 대상 하드웨어에서 테스트해야 하며, 40M 모델을 기준으로 계획하는 사람은 그 음성에 반하기 전에 라이선스를 읽어야 한다.