Phonon: um modelo TTS de 64 MB cujas três fichas técnicas não concordam entre si

O checkpoint em inglês do Phonon 31M — publicado como gradium/phonon-31m-en — é um arquivo de 64,5 MB. Esse é o modelo inteiro, quantizado em oito bits, e produz fala a 24 kHz numa CPU de laptop com um tempo até o primeiro áudio que o fornecedor situa em menos de 10 milissegundos. A Gradium, empresa de fala de Paris fundada por ex-pesquisadores da Kyutai, colocou a família Phonon no Hugging Face em 20 de outubro de 2026, junto com um runtime Rust e uma build WebAssembly que permite que o modelo fale dentro de uma aba do navegador.

Três dias depois, a coisa mais útil que um leitor pode fazer não é ouvir a demonstração. É colocar o blog de lançamento, o cartão do modelo e o README do runtime lado a lado. Eles descrevem os mesmos dois checkpoints — Phonon 31M e Phonon 40M — e não concordam quanto aos números. Essa divergência não é um escândalo; é normal para um lançamento de três dias. Mas ela diz exatamente quais números são seguros para planejar e quais ainda são marketing em trânsito.

O que realmente foi lançado em 20 de outubro

A Gradium lançou quatro coisas de uma só vez: pesos, vozes, um runtime e uma divisão de licenciamento que importa mais do que a tabela de benchmarks.

Os pesos vêm em três formatos. Phonon 31M é somente em inglês, Apache 2.0, 37 vozes integradas e um GGUF q8 de 64,5 MB. Phonon 40M é distribuído como cinco checkpoints separados por idioma — inglês, francês, alemão, espanhol e português — cada um com cerca de 74,6 MB, cada um condicionado à aceitação dos termos do Hugging Face e cada um sob CC BY-NC 4.0. Um terceiro checkpoint, Phonon 40M multilingual, reúne todos os cinco idiomas em um único modelo com 102 vozes, sob a mesma licença não comercial.

Essa linha de licença é o primeiro ponto de decisão, e é fácil passá-la despercebida porque a família é descrita como aberta. Apenas o modelo English de 31M é gratuito para uso comercial. Os modelos de 40M são pesos abertos no sentido de pesquisa: podem ser baixados, inspecionados e executados, mas não têm licença para um produto sem um acordo comercial. Uma equipe que faz protótipos com o 40M porque ele parece melhor e depois tenta lançar o produto vai esbarrar nesse obstáculo tarde e com custo alto.

A arquitetura, em um parágrafo

Phonon é um transformer de flow matching que prevê latentes de áudio em quadros de 80 milissegundos e os entrega ao codec Mimi, da Kyutai, para decodificação. Ele se baseia no Pocket TTS, a linha de modelos pequenos que surgiu do mesmo círculo de pesquisa. O runtime, xn-ptts, é escrito em Rust e não usa PyTorch na inferência: os caminhos de CPU usam Arm KleidiAI, dispositivos Apple podem usar Core ML, chips Snapdragon podem usar a QNN NPU, e os navegadores recebem uma build SIMD em WebAssembly. Há bindings para Python, Swift, JavaScript e C, além de uma imagem Docker que expõe um endpoint de fala compatível com OpenAI.

A consequência prática é que o Phonon não é um checkpoint que você carrega em um notebook Python e torce para que caiba. Ele é um alvo de implantação. O mesmo arquivo de 64 MB roda em um Raspberry Pi, um iPhone, um navegador e um contêiner, e o ambiente de execução é parte do produto tanto quanto os pesos.

Três documentos, três conjuntos de números

Aqui está a parte que vale a pena examinar com calma. No blog de lançamento de 20 de outubro, o Phonon 31M atinge o primeiro áudio em 7 milissegundos em uma CPU de MacBook Air M5 e roda a 11,6 vezes o tempo real em um núcleo, 29,9 vezes em quatro threads. Em um Raspberry Pi 5, ele inicia em 38 ms e roda a 3,7 vezes o tempo real. O mesmo blog atribui ao Phonon 31M uma taxa de erro de palavras em texto difícil de 1,70% e um Elo de naturalidade em inglês de 2.098, contra 2.043 do Kokoro.

O README do runtime, atualizado na mesma janela, atribui ao mesmo MacBook Air M5 uma taxa de processamento de 26 vezes o tempo real com 5 ms até o primeiro byte em um núcleo, e 41 vezes com 6 ms em quatro núcleos. No Raspberry Pi 5, ele indica 2,3 vezes o tempo real com 68 ms até o primeiro áudio. Essas não são diferenças de arredondamento. Um documento diz que o modelo é aproximadamente duas vezes mais rápido em um Pi do que o outro diz.

O model card do Hugging Face acrescenta uma terceira versão: 1,5% de WER no conjunto difícil e 0,51% no Seed-TTS para o Phonon 31M, com o mesmo Elo de 2.098. A tabela do blog de lançamento diz 1,70% no conjunto difícil. Ambas são avaliações realizadas pelo fornecedor. Nenhuma das duas cita um harness independente, e ainda não há uma entrada para a família no Artificial Analysis.

• Contagem de parâmetros — 31M excluindo o tokenizador de áudio, mas os metadados do Hugging Face listam 41,1M para o mesmo checkpoint.

• Primeiro áudio — 7 ms no blog de lançamento, 5 ms no README, no mesmo MacBook Air M5.

• Vazão em um único núcleo — 11,6× em tempo real no blog, 26× no README.

• Raspberry Pi 5 — 38 ms e 3,7× no blog, 68 ms e 2,3× no README.

• WER fixado — {{1}}1,70%{{/1}} no blog, {{2}}1,5%{{/2}} no cartão do modelo.

Isto não é motivo para descartar o lançamento. É motivo para tratar cada número como um intervalo até que alguém de fora da Gradium o reproduza. Os números de Elo são os mais comparáveis porque nomeiam sua linha de base: Phonon 40M em 2.117, Phonon 31M em 2.098, Phonon 40M multilíngue em 2.097, Kokoro em 2.043. Uma diferença de 55 pontos em relação ao Kokoro no próprio teste de escuta do fornecedor é uma alegação significativa, e é falsificável, o que é mais do que a maioria dos lançamentos de TTS oferece.

O que o repositório te conta que o blog não conta

O repositório responde a perguntas que o anúncio omite. O pacote para navegador só consegue carregar o Phonon 31M diretamente do Hugging Face; os checkpoints de 40M precisam ser servidos pela sua própria aplicação, o que é uma restrição real se o argumento que chamou sua atenção foi “TTS em uma aba”. Modelos com acesso restrito exigem um token do Hugging Face no momento da compilação ou da execução. O caminho Android QNN exige Android 12 e um HTP Snapdragon compatível, e não tem fallback automático para CPU — se a NPU rejeitar o modelo, você recebe um erro, não uma execução mais lenta.

Os ficheiros de voz são separados dos pesos. Os checkpoints incluem algumas vozes, e um catálogo em gradium/phonon-voices contém mais, incluindo vozes personalizadas no formato .safetensors. Essa separação é engenharia sensata e também a parte com menos documentação. Como uma voz personalizada é treinada, que registo de consentimento a acompanha e se a Gradium aplica marcas de água ao áudio gerado continuam sem resposta no material público disponível em 23 de outubro.

O que está confirmado: o código é MIT ou Apache-2.0, à sua escolha; os pesos de 31M são Apache 2.0; os pesos de 40M são CC BY-NC 4.0; e os runtimes existem genuinamente para Linux, macOS, Windows, iOS, Android, o navegador e Docker. O que não está confirmado: latência independente, inteligibilidade independente, estabilidade em textos longos além de algumas frases, e como o checkpoint multilíngue lida com a alternância de idiomas dentro de uma frase.

Onde 31 milhões de parâmetros é a ferramenta certa

Os modelos com os quais o Phonon está sendo comparado na primeira semana são, em sua maioria, sistemas em nuvem com cem vezes o número de parâmetros e um salto de rede na frente deles. Isso é uma diferença de categoria, não de qualidade. Um modelo inglês de 64 MB que começa a falar em milissegundos de um dígito é para os casos em que o áudio não pode sair do dispositivo, ou precisa funcionar quando a rede não funciona: ferramentas de acessibilidade offline, diálogos de jogos, interfaces de quiosques e eletrodomésticos, assistentes privados em um telefone e recursos de navegador que não podem arcar com uma ida e volta à rede.

Ele é uma escolha ruim para os casos opostos. Se você precisa de trinta idiomas, saída em 48 kHz, criação de voz a partir de uma descrição textual ou clonagem com qualidade de estúdio a partir de uma referência de dez segundos, o Phonon 31M não faz nada disso. Mesmo o Phonon 40M multilíngue cobre cinco idiomas, não trinta, e sua licença inviabiliza a maioria dos produtos comerciais.

O resumo honesto após três dias é que a Gradium lançou uma pilha no dispositivo invulgarmente completa com uma validação externa invulgarmente escassa. A engenharia é inspecionável — o runtime está no GitHub, os pesos podem ser descarregados, os benchmarks estão documentados o suficiente para serem reproduzidos. As afirmações ainda não foram reproduzidas por ninguém.

A metade do loop de voz que o Phonon não cobre

Um modelo TTS local é um componente de um assistente de voz, e é o último. Algo ainda precisa decidir o que dizer: transcrever o usuário, recuperar a resposta, redigir a réplica. O Phonon transforma texto em áudio no dispositivo, mas o texto geralmente vem de um servidor de modelo, e é nesse servidor que a complexidade operacional realmente reside.

Essa é a fronteira em que o OrcaRouter se situa. O Phonon não está no nosso catálogo — ele roda no seu hardware, não por meio de uma API, e nada aqui deve ser interpretado como uma alegação em contrário. Mas o modelo de linguagem que escreve o script do Phonon pode estar, ao lado de mais de 200 outros por trás de uma única chave, com 0% de acréscimo sobre o preço de tabela do provedor e failover automático quando um provedor apresenta degradação. Para produtos offline-first, a separação é natural: a síntese de fala permanece no dispositivo, a geração de texto é roteada para o modelo mais barato e saudável naquela hora.

O que acompanhar no próximo mês

Três sinais resolverão a maioria das questões em aberto. O primeiro é uma avaliação independente — a Artificial Analysis adicionando uma entrada de fala, ou um laboratório executando novamente o Seed-TTS contra os checkpoints publicados. O segundo é a licença comercial para os modelos de 40M; se a Gradium abrir essas licenças, o checkpoint multilíngue se torna muito mais interessante do que o inglês. O terceiro é a documentação de clonagem de voz. O próprio blog da Gradium promete resultados de escuta cega "em um post futuro", o que é uma coisa honesta de publicar e também uma admissão de que a evidência atual é a empresa avaliando o próprio trabalho.

Até lá, a posição defensável é esta: o Phonon 31M é real, é pequeno, funciona onde o fornecedor diz que funciona e é Apache 2.0. A velocidade e a precisão exatas estão em algum ponto dentro da faixa descrita nos próprios documentos do fornecedor. Qualquer pessoa que planeje um produto em torno do número de 7 ms deve testá-lo primeiro no hardware de destino — e qualquer pessoa que planeje com base no modelo 40M deve ler a licença antes de se apaixonar pela voz.