Phonon: 64-МБ TTS-модель, чьи три спецификации противоречат друг другу

Английский чекпойнт Phonon 31M — опубликован как gradium/phonon-31m-en — представляет собой файл размером 64,5 МБ. Это вся модель, квантованная до восьми бит, и она генерирует речь 24 кГц на процессоре ноутбука, а время до первого аудио производитель оценивает в единицы миллисекунд. Gradium — парижская компания в области речевых технологий, основанная бывшими исследователями Kyutai, — 20 октября 2026 года выложила Phonon — семейство на Hugging Face — вместе с runtime на Rust и сборкой WebAssembly, которая позволяет этой штуке говорить прямо во вкладке браузера.

Через три дня самое полезное, что может сделать читатель, — это не послушать демо. А положить рядом друг с другом релизный блог, карточку модели и README среды выполнения. Они описывают одни и те же две контрольные точки — Phonon 31M и Phonon 40M — и их цифры не совпадают. Это расхождение не скандал; для релиза трёхдневной давности это нормально. Но оно точно показывает, на какие цифры можно опираться при планировании, а какие всё ещё находятся в процессе маркетинговой подачи.

Что на самом деле вышло 20 октября

Gradium выпустила четыре вещи одновременно: веса, голоса, среду выполнения и разделение лицензий, которое важнее, чем таблица бенчмарков.

Веса поставляются в трёх вариантах. Phonon 31M — только для английского языка, Apache 2.0, 37 встроенных голосов и q8 GGUF размером 64,5 МБ. Phonon 40M поставляется в виде пяти отдельных чекпоинтов для каждого языка — английского, французского, немецкого, испанского и португальского — каждый размером около 74,6 МБ, каждый требует принятия условий на Hugging Face и каждый распространяется по CC BY-NC 4.0. Третий чекпоинт, Phonon 40M multilingual, объединяет все пять языков в одну модель с 102 голосами по той же некоммерческой лицензии.

Эта строка лицензии — первая точка принятия решения, и её легко упустить, потому что семейство описывается как {{1}}открытое{{/1}}. Только английская модель 31M бесплатна для коммерческого использования. Модели 40M имеют открытые веса в исследовательском смысле: их можно скачать, изучить и запустить, но они не лицензированы для использования в продукте без коммерческого соглашения. Команда, которая создаёт прототип на 40M, потому что это кажется лучше, а затем пытается выпустить продукт, столкнётся с этим препятствием поздно и с большими затратами.

Архитектура — в одном абзаце

Phonon — это трансформер с flow matching, который предсказывает аудиолатенты кадрами по 80 миллисекунд и передаёт их в кодек Mimi от Kyutai для декодирования. Он основан на Pocket TTS — линейке малых моделей, вышедшей из того же исследовательского круга. Среда выполнения xn-ptts написана на Rust и не использует PyTorch при инференсе: на CPU-путях используется Arm KleidiAI, устройства Apple могут использовать Core ML, чипы Snapdragon — QNN NPU, а для браузеров есть сборка SIMD WebAssembly. Есть привязки для Python, Swift, JavaScript и C, а также Docker-образ, который предоставляет совместимый с OpenAI речевой эндпоинт.

Практическое следствие состоит в том, что Phonon — это не чекпойнт, который вы загружаете в Python-ноутбук и надеетесь, что он поместится. Это цель развертывания. Один и тот же файл размером 64 МБ работает на Raspberry Pi, iPhone, в браузере и в контейнере, и среда выполнения является продуктом в той же мере, что и веса.

Три документа — три набора чисел

Вот часть, ради которой стоит замедлиться. В блоге о релизе от 20 октября Phonon 31M выдаёт первый звук за 7 миллисекунд на CPU MacBook Air M5 и работает в 11,6 раза быстрее реального времени на одном ядре и в 29,9 раза — на четырёх потоках. На Raspberry Pi 5 он запускается за 38 мс и работает в 3,7 раза быстрее реального времени. В том же блоге для Phonon 31M указаны частота ошибок в словах на сложном тексте 1,70% и Elo естественности английского 2 098 против 2 043 у Kokoro.

README среды выполнения, обновлённый в том же окне, указывает для того же MacBook Air M5 пропускную способность 26× от реального времени при 5 мс до первого байта на одном ядре и 41× при 6 мс на четырёх ядрах. Для Raspberry Pi 5 там указано 2,3× от реального времени при 68 мс до первого аудио. Это не различия из-за округления. В одном документе говорится, что модель на Pi примерно вдвое быстрее, чем в другом.

В карточке модели Hugging Face добавлена третья версия: WER 1,5% на сложном наборе и 0,51% на Seed-TTS для Phonon 31M при тех же 2 098 Elo. В таблице блога о релизе указано 1,70% на сложном наборе. Обе оценки проведены вендором. Ни одна из них не ссылается на независимый испытательный стенд, и для этого семейства пока нет записи в Artificial Analysis.

• Количество параметров — 31M без учёта аудиотокенизатора, но метаданные Hugging Face указывают 41.1M для того же чекпоинта.

• Первый звук — 7 мс в блоге о релизе, 5 мс в README, на одном и том же MacBook Air M5.

• Пропускная способность на одном ядре — 11,6× реального времени в блоге, 26× в README.

• Raspberry Pi 5 — 38 мс и 3,7× в блоге, 68 мс и 2,3× в README.

• WER на сложном наборе — 1,70% в блоге, 1,5% в карточке модели.

Это не повод отбрасывать релиз. Это повод рассматривать каждое число как диапазон, пока кто-то за пределами Gradium не воспроизведёт его. Показатели Elo наиболее сопоставимы, поскольку в них названа база сравнения: Phonon 40M — 2 117, Phonon 31M — 2 098, Phonon 40M multilingual — 2 097, Kokoro — 2 043. Преимущество в 55 пунктов над Kokoro в собственном тесте производителя на прослушивание — это значимое утверждение, и его можно опровергнуть, а это больше, чем предлагает большинство запусков TTS.

Что репозиторий сообщает вам такого, чего не сообщает блог

Репозиторий отвечает на вопросы, которые обходит объявление. Браузерный пакет может напрямую загружать с Hugging Face только Phonon 31M; чекпоинты 40M должны отдаваться вашим собственным приложением — это реальное ограничение, если тезис, который привлёк ваше внимание, звучал как «TTS во вкладке». Для моделей с ограниченным доступом нужен токен Hugging Face на этапе сборки или во время выполнения. Путь Android QNN требует Android 12 и поддерживаемого Snapdragon HTP и не имеет автоматического переключения на CPU — если NPU отклонит модель, вы получите ошибку, а не более медленное выполнение.

Голосовые файлы отделены от весов. Чекпойнты поставляются с некоторыми голосами, а каталог gradium/phonon-voices содержит больше, включая пользовательские голоса в формате .safetensors. Такое разделение — разумное инженерное решение, но одновременно и часть с наименьшей документацией. Как обучается пользовательский голос, какая запись о согласии сопровождает его и ставит ли Gradium водяные знаки на сгенерированное аудио — все эти вопросы остаются без ответа в публичных материалах по состоянию на 23 октября.

Что подтверждено: код распространяется под MIT или Apache-2.0 на ваш выбор, веса 31M — под Apache 2.0, веса 40M — под CC BY-NC 4.0, а среды выполнения действительно существуют для Linux, macOS, Windows, iOS, Android, браузера и Docker. Что не подтверждено: независимая задержка, независимая понятность, стабильность на длинных текстах за пределами нескольких предложений и то, как многоязычный чекпоинт обрабатывает переключение языков внутри предложения.

Где 31 миллион параметров — подходящий инструмент

Модели, с которыми Phonon сравнивают на первой неделе, — в основном облачные системы, у которых в сто раз больше параметров и перед которыми есть сетевой переход. Это разница категорий, а не разница качества. Англоязычная модель размером 64 МБ, которая начинает говорить за единицы миллисекунд, предназначена для случаев, когда аудио не должно покидать устройство или должно работать, когда сети нет: офлайновые инструменты доступности, диалоги в играх, интерфейсы киосков и бытовой техники, приватные ассистенты на телефоне и функции браузера, которые не могут позволить себе передачу туда-обратно.

Это плохо подходит для противоположных сценариев. Если вам нужны тридцать языков, вывод в 48 кГц, создание голоса по текстовому описанию или клонирование студийного уровня по десятисекундному образцу, Phonon 31M ничего из этого не умеет. Даже многоязычная модель Phonon 40M охватывает пять языков, а не тридцать, а её лицензия исключает большинство коммерческих продуктов.

Честный итог спустя три дня: Gradium выпустила необычно полный стек для работы на устройстве при необычно скудной внешней валидации. Инженерную часть можно проверить — среда выполнения выложена на GitHub, веса доступны для скачивания, бенчмарки задокументированы достаточно подробно для воспроизведения. Пока заявленные результаты никто не воспроизвёл.

Та половина голосового цикла, которую не покрывает Phonon

Локальная TTS-модель — это один из компонентов голосового ассистента, причём последний. Всё равно должен быть кто-то, кто решает, что сказать: распознать речь пользователя, найти ответ, подготовить черновик ответа. Phonon превращает текст в аудио на устройстве, но текст обычно поступает с сервера модели, и именно на этом сервере на самом деле сосредоточена эксплуатационная сложность.

Это граница, на которой находится OrcaRouter. Phonon не входит в наш каталог — он работает на вашем оборудовании, а не через API, и ничто здесь не должно восприниматься как утверждение об обратном. Но языковая модель, которая пишет сценарий для Phonon, может быть доступна наряду с более чем 200 другими через один ключ, с нулевой наценкой к прейскурантной цене провайдера и автоматическим переключением при деградации провайдера. Для продуктов, ориентированных на офлайн-работу, такое разделение естественно: синтез речи остаётся на устройстве, а генерация текста направляется к той модели, которая в этот час дешевле и работоспособнее.

За чем следить в следующем месяце

Три сигнала закроют большинство открытых вопросов. Первый — независимая оценка: Artificial Analysis добавит речевой раздел или какая-нибудь лаборатория повторно прогонит Seed-TTS на опубликованных чекпоинтах. Второй — коммерческая лицензия для моделей 40M; если Gradium откроет их, мультиязычный чекпоинт станет гораздо интереснее английского. Третий — документация по клонированию голоса. Собственный блог Gradium обещает результаты слепых прослушиваний «в будущем посте» — это честно опубликовать, но также и признание того, что текущие доказательства — это компания, которая сама себя оценивает.

До тех пор защитимая позиция такова: Phonon 31M реален, он мал, работает там, где, по словам поставщика, и должен работать, и распространяется под Apache 2.0. Точные скорость и точность находятся где-то в диапазоне, описанном в собственных документах поставщика. Тем, кто планирует продукт с расчётом на цифру 7 мс, следует сначала протестировать его на целевом оборудовании, — а тем, кто ориентируется на модель 40M, стоит прочитать лицензию, прежде чем влюбиться в этот голос.