Phonon: een TTS-model van 64 MB waarvan de drie specsheets het niet met elkaar eens zijn

De Engelstalige checkpoint van Phonon 31M — gepubliceerd als gradium/phonon-31m-en — is een bestand van 64,5 MB. Dat is het hele model, gekwantiseerd naar acht bits, en het produceert 24 kHz spraak op een laptop-cpu met een first-audio-waarde die de leverancier op enkele milliseconden stelt. Gradium, een spraakbedrijf uit Parijs, opgericht door voormalige onderzoekers van Kyutai, zette de Phonon-familie op 20 oktober 2026 op Hugging Face, samen met een Rust-runtime en een WebAssembly-build waarmee het ding in een browsertab kan spreken.

Drie dagen later is het nuttigste wat een lezer kan doen niet naar de demo te luisteren. Het is om de releaseblog, de modelkaart en de runtime-README naast elkaar te leggen. Ze beschrijven dezelfde twee checkpoints — Phonon 31M en Phonon 40M — en ze zijn het niet eens over de cijfers. Dat meningsverschil is geen schandaal; het is normaal voor een release van drie dagen oud. Maar het vertelt je precies op welke cijfers je veilig kunt plannen en welke nog marketing in transit zijn.

Wat er op 20 oktober daadwerkelijk is uitgebracht

Gradium bracht vier dingen tegelijk uit: gewichten, stemmen, een runtime en een licentiesplitsing die belangrijker is dan de benchmarktabel.

De gewichten zijn er in drie vormen. Phonon 31M is alleen Engelstalig, Apache 2.0, 37 ingebouwde stemmen en een q8 GGUF van 64,5 MB. Phonon 40M wordt geleverd als vijf afzonderlijke taalspecifieke checkpoints — Engels, Frans, Duits, Spaans en Portugees — elk ongeveer 74,6 MB, elk pas beschikbaar na acceptatie van de Hugging Face-voorwaarden, en elk onder CC BY-NC 4.0. Een derde checkpoint, Phonon 40M multilingual, bundelt alle vijf talen in één model met 102 stemmen, onder dezelfde niet-commerciële licentie.

Die licentieregel is het eerste beslissingspunt, en het is gemakkelijk te missen omdat de familie als open wordt beschreven. Alleen het Engelse 31M-model is gratis voor commercieel gebruik. De 40M-modellen zijn open weights in de onderzoekszin: downloadbaar, inspecteerbaar, uitvoerbaar, maar niet gelicentieerd voor een product zonder commerciële overeenkomst. Een team dat op de 40M prototypet omdat die beter klinkt en dan probeert uit te leveren, zal daar laat en tegen hoge kosten tegenaan lopen.

De architectuur, in één alinea

Phonon is een flow-matchingtransformer die audiolatenten voorspelt in frames van 80 milliseconden en deze doorgeeft aan Kyutai's Mimi-codec voor decodering. Het bouwt voort op Pocket TTS, de lijn van kleine modellen die uit dezelfde onderzoekskring voortkwam. De runtime, xn-ptts, is in Rust geschreven en gebruikt geen PyTorch bij inferentie: CPU-paden gebruiken Arm KleidiAI, Apple-apparaten kunnen Core ML gebruiken, Snapdragon-chips kunnen de QNN NPU gebruiken, en browsers krijgen een SIMD WebAssembly-build. Er zijn bindings voor Python, Swift, JavaScript en C, plus een Docker-image dat een OpenAI-compatibel spraak-eindpunt aanbiedt.

De praktische consequentie is dat Phonon geen checkpoint is dat je in een Python-notebook laadt en hoopt dat het erin past. Het is een deploymenttarget. Hetzelfde bestand van 64 MB draait op een Raspberry Pi, een iPhone, een browser en een container, en de runtime is net zozeer het product als de gewichten dat zijn.

Drie documenten, drie sets getallen

Dit is het deel waar het de moeite loont even bij stil te staan. In de releaseblog van 20 oktober bereikt Phonon 31M de eerste audio in 7 milliseconden op een MacBook Air M5 CPU en draait het op 11,6 keer realtime op één core, 29,9 keer op vier threads. Op een Raspberry Pi 5 start het in 38 ms en draait het op 3,7 keer realtime. Dezelfde blog geeft Phonon 31M een woordfoutpercentage van 1,70% op moeilijke tekst en een Engelse Elo voor natuurlijkheid van 2.098, tegenover 2.043 voor Kokoro.

De README van de runtime, in hetzelfde tijdsvenster bijgewerkt, kent dezelfde MacBook Air M5 een doorvoer toe van 26 keer realtime bij 5 ms time-to-first-byte op één core, en 41 keer bij 6 ms op vier cores. Op de Raspberry Pi 5 staat 2,3 keer realtime met 68 ms tot de eerste audio. Dat zijn geen afrondingsverschillen. Het ene document zegt dat het model op een Pi ongeveer twee keer zo snel is als het andere.

De Hugging Face-modelkaart voegt een derde versie toe: 1,5% WER op de harde set en 0,51% op Seed-TTS voor Phonon 31M, met dezelfde 2.098 Elo. De tabel in de releaseblog vermeldt 1,70% op de harde set. Beide zijn evaluaties die door de leverancier zijn uitgevoerd. Geen van beide citeert een onafhankelijk testharnas, en er is nog geen Artificial Analysis-vermelding voor de familie.

• Aantal parameters — 31M exclusief de audiotokenizer, maar de metadata van Hugging Face vermeldt 41,1M voor dezelfde checkpoint.

• Eerste audio — 7 ms op de releaseblog, 5 ms in de README, op dezelfde MacBook Air M5.

• Doorvoer op één core — 11,6× realtime in de blog, 26× in de README.

• {{1}}Raspberry Pi 5{{/1}} — {{2}}38 ms{{/2}} en {{3}}3,7×{{/3}} in de {{4}}blog{{/4}}, {{5}}68 ms{{/5}} en {{6}}2,3×{{/6}} in de {{7}}README{{/7}}.

• Vastgestelde WER — 1,70% op de blog, 1,5% op de modelkaart.

Dit is geen reden om de release te verwerpen. Het is een reden om elk getal als een bereik te behandelen totdat iemand buiten Gradium het reproduceert. De Elo-cijfers zijn het meest vergelijkbaar omdat ze hun baseline noemen: Phonon 40M op 2,117, Phonon 31M op 2,098, Phonon 40M meertalig op 2,097, Kokoro op 2,043. Een verschil van 55 punten ten opzichte van Kokoro in de eigen luistertest van de leverancier is een betekenisvolle bewering, en die is falsifieerbaar, wat meer is dan de meeste TTS-lanceringen bieden.

Wat de repo je vertelt en de blog niet vertelt

De repository beantwoordt vragen die de aankondiging overslaat. Het browserpakket kan alleen Phonon 31M rechtstreeks vanaf Hugging Face laden; de 40M-checkpoints moeten door je eigen applicatie worden aangeboden, wat een echte beperking is als de pitch die je aandacht trok "TTS in een tab" was. Gated modellen hebben een Hugging Face-token nodig tijdens de build of runtime. Het Android QNN-pad vereist Android 12 en een ondersteunde Snapdragon HTP, en er is geen automatische CPU-fallback: als de NPU het model afwijst, krijg je een foutmelding, geen langzamere uitvoering.

Spraakbestanden staan los van de gewichten. De checkpoints bevatten enkele stemmen, en een catalogus op gradium/phonon-voices bevat er meer, inclusief aangepaste stemmen in .safetensors-formaat. Die scheiding is verstandige engineering en ook het onderdeel met de minste documentatie. Hoe een aangepaste stem wordt getraind, welk toestemmingsrecord ermee meegaat, en of Gradium watermerken aanbrengt in gegenereerde audio, blijven allemaal onbeantwoord in het openbare materiaal per 23 oktober.

Wat bevestigd is: de code is MIT of Apache-2.0 naar keuze, de 31M-gewichten zijn Apache 2.0, de 40M-gewichten zijn CC BY-NC 4.0, en de runtimes bestaan echt voor Linux, macOS, Windows, iOS, Android, de browser en Docker. Wat niet bevestigd is: onafhankelijke latentie, onafhankelijke verstaanbaarheid, stabiliteit over lange tekst verder dan een paar zinnen, en hoe de meertalige checkpoint codewisseling binnen een zin afhandelt.

Waar 31 miljoen parameters het juiste hulpmiddel zijn

De modellen waarmee Phonon in de eerste week wordt vergeleken, zijn vooral cloudsystemen met honderd keer zoveel parameters en een netwerksprong ervoor. Dat is een categorieverschil, geen kwaliteitsverschil. Een Engelstalig model van 64 MB dat binnen enkele milliseconden begint te spreken, is bedoeld voor situaties waarin de audio het apparaat niet mag verlaten, of moet werken wanneer het netwerk er niet is: offline toegankelijkheidshulpmiddelen, game-dialoog, kiosk- en apparaatinterfaces, privéassistenten op een telefoon en browserfuncties die geen netwerkroundtrip kunnen veroorloven.

Het is een slechte match voor de tegenovergestelde gevallen. Als je dertig talen nodig hebt, 48 kHz-uitvoer, stemontwerp op basis van een tekstbeschrijving, of cloning van studiokwaliteit vanaf een referentie van tien seconden, doet Phonon 31M geen van die dingen. Zelfs Phonon 40M meertalig dekt vijf talen, niet dertig, en de licentie sluit de meeste commerciële producten uit.

De eerlijke samenvatting na drie dagen is dat Gradium een ongewoon complete on-device stack heeft geleverd met ongewoon weinig externe validatie. De engineering is inspecteerbaar — de runtime staat op GitHub, de modelgewichten zijn te downloaden, de benchmarks zijn goed genoeg gedocumenteerd om te reproduceren. De claims zijn nog door niemand gereproduceerd.

De helft van de stemlus die Phonon niet dekt

Een lokaal TTS-model is één onderdeel van een spraakassistent, en het is het laatste onderdeel. Er moet nog steeds iets beslissen wat er gezegd wordt: de gebruiker transcriberen, het antwoord ophalen, het antwoord opstellen. Phonon zet tekst om in audio op het apparaat, maar de tekst komt meestal van een modelserver, en die server is waar de operationele complexiteit daadwerkelijk zit.

Dat is de grens waar OrcaRouter op zit. Phonon staat niet in onze catalogus — het draait op jouw hardware, niet via een API, en niets hier mag worden gelezen als een claim van het tegendeel. Maar het taalmodel dat Phonons script schrijft, kan dat wel, naast meer dan 200 andere achter één sleutel, met 0% opslag op de lijstprijs van de provider en automatische failover wanneer een provider achteruitgaat. Voor offline-first producten is de splitsing natuurlijk: spraaksynthese blijft op het apparaat, tekstgeneratie gaat naar het model dat op dat moment het goedkoopst en het gezondst is.

Waar je de komende maand op moet letten

Drie signalen zullen de meeste open vragen beslechten. Het eerste is een onafhankelijke evaluatie — Artificial Analysis dat een spraakonderdeel toevoegt, of een lab dat Seed-TTS opnieuw uitvoert tegen de gepubliceerde checkpoints. Het tweede is de commerciële licentie voor de 40M-modellen; als Gradium die openstelt, wordt de meertalige checkpoint veel interessanter dan de Engelse. Het derde is documentatie over stemklonen. Gradium's eigen blog belooft blindeluisterresultaten "in een toekomstige blogpost", wat iets eerlijks is om te publiceren en ook een toegeving dat het huidige bewijs eruit bestaat dat het bedrijf zijn eigen huiswerk nakijkt.

Tot dan is dit het verdedigbare standpunt: Phonon 31M is echt, het is klein, het draait waar de leverancier zegt dat het draait, en het is Apache 2.0. De exacte snelheid en nauwkeurigheid liggen ergens binnen het bereik dat de eigen documenten van de leverancier beschrijven. Iedereen die een product rond het cijfer van 7 ms plant, zou het eerst op de beoogde hardware moeten testen — en iedereen die rond het 40M-model plant, zou de licentie moeten lezen voordat hij verliefd wordt op de stem.