Phonon: model TTS o rozmiarze 64 MB, którego trzy karty specyfikacji nie są zgodne

Angielski checkpoint modelu Phonon 31M — opublikowany jako gradium/phonon-31m-en — to plik o rozmiarze 64,5 MB. To cały model, skwantyzowany do ośmiu bitów, który generuje mowę o częstotliwości 24 kHz na procesorze laptopa, a czas do pierwszego dźwięku producent podaje w jednocyfrowej liczbie milisekund. Gradium, paryska firma zajmująca się mową, założona przez byłych badaczy Kyutai, udostępniła Phonon, czyli rodzinę modeli, na Hugging Face 20 października 2026 r., wraz ze środowiskiem uruchomieniowym Rust i kompilacją WebAssembly, która pozwala modelowi mówić w karcie przeglądarki.

Trzy dni później najbardziej użyteczną rzeczą, jaką może zrobić czytelnik, nie jest wysłuchanie demonstracji. Jest nią zestawienie obok siebie wpisu na blogu o wydaniu, karty modelu i README środowiska uruchomieniowego. Opisują one te same dwa checkpointy — Phonon 31M i Phonon 40M — i nie zgadzają się co do liczb. Ta rozbieżność nie jest skandalem; to normalne w przypadku wydania sprzed trzech dni. Ale mówi ci dokładnie, które liczby są bezpieczne do planowania, a które wciąż są marketingiem w drodze.

Co faktycznie zostało wydane 20 października

Gradium udostępnił naraz cztery rzeczy: wagi, głosy, środowisko uruchomieniowe oraz podział licencji, który ma większe znaczenie niż tabela wyników benchmarków.

Wagi występują w trzech wariantach. Phonon 31M jest wyłącznie w języku angielskim, na licencji Apache 2.0, ma 37 wbudowanych głosów i q8 GGUF o rozmiarze 64,5 MB. Phonon 40M jest dostarczany jako pięć osobnych checkpointów dla poszczególnych języków — angielskiego, francuskiego, niemieckiego, hiszpańskiego i portugalskiego — każdy o rozmiarze około 74,6 MB, każdy dostępny po zaakceptowaniu warunków Hugging Face i każdy na licencji CC BY-NC 4.0. Trzeci checkpoint, Phonon 40M multilingual, łączy wszystkie pięć języków w jeden model ze 102 głosami, na tej samej licencji niekomercyjnej.

Ten zapis licencyjny jest pierwszym punktem decyzyjnym i łatwo go przeoczyć, ponieważ rodzina jest opisywana jako otwarta. Tylko model angielski 31M jest darmowy do użytku komercyjnego. Modele 40M mają otwarte wagi w sensie badawczym: można je pobierać, przeglądać i uruchamiać, ale nie są licencjonowane do wykorzystania w produkcie bez umowy komercyjnej. Zespół, który prototypuje z użyciem 40M, bo brzmi lepiej, a potem próbuje wdrożyć produkt, trafi na tę barierę późno i kosztownie.

Architektura, w jednym akapicie

Phonon to transformer dopasowujący przepływ, który przewiduje latentne reprezentacje audio w ramkach trwających 80 milisekund i przekazuje je do kodeka Mimi firmy Kyutai w celu dekodowania. Opiera się na Pocket TTS, linii małych modeli, która powstała w tym samym środowisku badawczym. Środowisko uruchomieniowe xn-ptts jest napisane w Rust i nie używa PyTorch podczas wnioskowania: ścieżki CPU wykorzystują Arm KleidiAI, urządzenia Apple mogą korzystać z Core ML, układy Snapdragon mogą korzystać z NPU QNN, a przeglądarki otrzymują kompilację SIMD WebAssembly. Dostępne są powiązania dla Python, Swift, JavaScript i C oraz obraz Docker udostępniający punkt końcowy mowy zgodny z OpenAI.

Praktyczna konsekwencja jest taka, że Phonon nie jest checkpointem, który wczytujesz do notatnika Pythona i liczysz, że się zmieści. To cel wdrożeniowy. Ten sam plik o rozmiarze 64 MB działa na Raspberry Pi, iPhone'ie, w przeglądarce i w kontenerze, a środowisko uruchomieniowe jest produktem w takim samym stopniu, w jakim są nim wagi.

Trzy dokumenty, trzy zestawy liczb

Oto część, dla której warto zwolnić. We wpisie na blogu dotyczącym wydania z 20 października Phonon 31M osiąga pierwsze audio w 7 milisekund na CPU MacBooka Air M5 i działa 11,6 razy szybciej niż w czasie rzeczywistym na jednym rdzeniu oraz 29,9 razy szybciej na czterech wątkach. Na Raspberry Pi 5 uruchamia się w 38 ms i działa 3,7 razy szybciej niż w czasie rzeczywistym. Ten sam wpis podaje dla Phonon 31M współczynnik błędnych słów na trudnym tekście wynoszący 1,70% oraz Elo naturalności języka angielskiego na poziomie 2098, wobec 2043 w przypadku Kokoro.

README środowiska uruchomieniowego, zaktualizowane w tym samym oknie, podaje dla tego samego MacBooka Air M5 przepustowość 26 razy większą od czasu rzeczywistego przy 5 ms do pierwszego bajtu na jednym rdzeniu oraz 41 razy przy 6 ms na czterech rdzeniach. W przypadku Raspberry Pi 5 podaje 2,3 razy czasu rzeczywistego przy 68 ms do pierwszego dźwięku. To nie są różnice wynikające z zaokrągleń. Jeden dokument mówi, że model jest na Pi około dwa razy szybszy niż wynika to z drugiego.

Karta modelu Hugging Face dodaje trzecią wersję: 1.5% WER na trudnym zestawie i 0.51% na Seed-TTS dla Phonon 31M, przy tym samym wyniku 2,098 Elo. Tabela w blogu o wydaniu podaje 1.70% na trudnym zestawie. Obie oceny są przeprowadzane przez dostawcę. Żadna z nich nie powołuje się na niezależne środowisko testowe, a dla tej rodziny nie ma jeszcze wpisu w Artificial Analysis.

• Liczba parametrów — 31 mln z wyłączeniem tokenizera audio, ale metadane Hugging Face podają 41,1 mln dla tego samego checkpointu.

• Pierwsze audio — 7 ms na blogu wydania, 5 ms w README, na tym samym MacBook Air M5.

• Przepustowość na jednym rdzeniu — 11,6× czasu rzeczywistego w blogu, 26× w README.

• Raspberry Pi 5 — 38 ms i 3,7× na blogu, 68 ms i 2,3× w README.

• WER na ustalonym zestawie — 1,70% na blogu, 1,5% na karcie modelu.

To nie jest powód, by odrzucić tę wersję. To powód, by traktować każdą liczbę jako zakres, dopóki ktoś spoza Gradium jej nie odtworzy. Wartości Elo są najbardziej porównywalne, ponieważ podają swoją bazę odniesienia: Phonon 40M przy 2 117, Phonon 31M przy 2 098, Phonon 40M wielojęzyczny przy 2 097, Kokoro przy 2 043. Przewaga 55 punktów nad Kokoro w teście odsłuchowym samego dostawcy to istotne twierdzenie i można je obalić, co jest czymś, czego nie oferuje większość premier TTS.

Co mówi ci repo, czego nie mówi blog

Repozytorium odpowiada na pytania, które pomija ogłoszenie. Pakiet przeglądarkowy może ładować bezpośrednio z Hugging Face tylko Phonon 31M; checkpointy 40M muszą być serwowane przez własną aplikację, co jest realnym ograniczeniem, jeśli hasło, które przykuło Twoją uwagę, brzmiało „TTS w karcie”. Modele z ograniczonym dostępem wymagają tokena Hugging Face podczas budowania lub działania. Ścieżka Android QNN wymaga Androida 12 i obsługiwanego HTP Snapdragon, a ponadto nie ma automatycznego mechanizmu awaryjnego przełączania na CPU — jeśli NPU odrzuci model, otrzymasz błąd, a nie wolniejsze działanie.

Pliki głosowe są oddzielone od wag. Punkty kontrolne zawierają niektóre głosy, a katalog pod gradium/phonon-voices obejmuje ich więcej, w tym głosy niestandardowe w formacie .safetensors. Ten rozdział to rozsądna inżynieria, a zarazem część najsłabiej udokumentowana. Jak trenowany jest głos niestandardowy, jaki zapis zgody mu towarzyszy i czy Gradium stosuje znaki wodne w wygenerowanym dźwięku — na te pytania w materiałach publicznych według stanu na 23 października wciąż brak odpowiedzi.

Co jest potwierdzone: kod jest na licencji MIT lub Apache-2.0 według Twojego wyboru, wagi 31M są na licencji Apache 2.0, wagi 40M są na licencji CC BY-NC 4.0, a środowiska uruchomieniowe naprawdę istnieją dla systemów Linux, macOS, Windows, iOS, Android, przeglądarki i Docker. Co nie jest potwierdzone: niezależne opóźnienie, niezależna zrozumiałość, stabilność dłuższych wypowiedzi wykraczająca poza kilka zdań oraz to, jak wielojęzyczny checkpoint radzi sobie z przełączaniem kodów w obrębie zdania.

Gdzie 31 milionów parametrów to właściwe narzędzie

Modele, z którymi Phonon jest porównywany w pierwszym tygodniu, to głównie systemy chmurowe o stukrotnie większej liczbie parametrów i z dodatkowym przeskokiem sieciowym przed sobą. To różnica kategorii, a nie jakości. Model angielski o rozmiarze 64 MB, który zaczyna mówić w ciągu jednocyfrowej liczby milisekund, jest przeznaczony do przypadków, w których dźwięk nie może opuścić urządzenia albo musi działać, gdy sieć nie działa: narzędzia dostępności offline, dialogi w grach, interfejsy kiosków i urządzeń, prywatni asystenci w telefonie oraz funkcje przeglądarki, których nie stać na rundę sieciową.

To słabe rozwiązanie w przeciwnych przypadkach. Jeśli potrzebujesz trzydziestu języków, wyjścia 48 kHz, projektowania głosu na podstawie opisu tekstowego albo klonowania na poziomie studyjnym z dziesięciosekundowego nagrania referencyjnego, Phonon 31M nie zapewnia żadnej z tych rzeczy. Nawet wielojęzyczny Phonon 40M obsługuje pięć języków, a nie trzydzieści, a jego licencja wyklucza większość produktów komercyjnych.

Uczciwe podsumowanie po trzech dniach jest takie, że Gradium dostarczył wyjątkowo kompletny stos działający na urządzeniu, z wyjątkowo skąpą walidacją zewnętrzną. Inżynierię można sprawdzić — środowisko uruchomieniowe jest na GitHubie, wagi można pobrać, a benchmarki są udokumentowane wystarczająco dobrze, aby można je było odtworzyć. Twierdzenia nie zostały jeszcze przez nikogo odtworzone.

Połowa pętli głosowej, której Phonon nie obejmuje

Lokalny model TTS jest jednym z elementów asystenta głosowego i to tym ostatnim. Coś wciąż musi zdecydować, co powiedzieć: transkrybować wypowiedź użytkownika, wyszukać odpowiedź, sformułować odpowiedź. Phonon zamienia tekst na dźwięk na urządzeniu, ale tekst zwykle pochodzi z serwera modelu, a to właśnie na tym serwerze faktycznie spoczywa złożoność operacyjna.

To jest granica, na której opiera się OrcaRouter. Phonon nie jest w naszym katalogu — działa na Twoim sprzęcie, a nie przez API, i niczego tutaj nie należy odczytywać jako twierdzenia, że jest inaczej. Ale model językowy, który pisze scenariusz Phonona, może być, wraz z ponad 200 innymi, za jednym kluczem, z 0% narzutu na cenę katalogową dostawcy i automatycznym przełączaniem awaryjnym gdy dostawca ulegnie degradacji. W produktach typu offline-first podział jest naturalny: synteza mowy pozostaje na urządzeniu, a generowanie tekstu trafia do modelu, który w danej godzinie jest najtańszy i najbardziej stabilny.

Co warto obserwować w nadchodzącym miesiącu

Trzy sygnały rozstrzygną większość otwartych pytań. Pierwszy to niezależna ocena — dodanie przez Artificial Analysis wpisu dotyczącego mowy albo ponowne uruchomienie Seed-TTS przez laboratorium na opublikowanych checkpointach. Drugi to licencja komercyjna dla modeli 40M; jeśli Gradium je udostępni, wielojęzyczny checkpoint staje się znacznie ciekawszy niż angielski. Trzeci to dokumentacja klonowania głosu. Blog Gradium obiecuje wyniki ślepych testów odsłuchowych „w przyszłym wpisie”, co jest uczciwą rzeczą do opublikowania, a także przyznaniem, że obecne dowody to firma sama wystawiająca sobie ocenę.

Do tego czasu stanowisko, którego można bronić, jest następujące: Phonon 31M istnieje naprawdę, jest mały, działa tam, gdzie według dostawcy ma działać, i jest objęty licencją Apache 2.0. Dokładna prędkość i dokładność mieszczą się gdzieś w zakresie opisanym w dokumentach samego dostawcy. Każdy, kto planuje produkt w oparciu o wartość 7 ms, powinien najpierw przetestować go na docelowym sprzęcie — a każdy, kto planuje w oparciu o model 40M, powinien przeczytać licencję, zanim zakocha się w tym głosie.