Phonon: En TTS-modell på 64 MB vars tre faktablad inte stämmer överens

Den engelska checkpointen för Phonon 31M – publicerad som gradium/phonon-31m-en – är en fil på 64,5 MB. Det är hela modellen, kvantiserad till åtta bitar, och den producerar tal i 24 kHz på en laptop-CPU med ett mått för första ljudet som leverantören anger till ett ensiffrigt antal millisekunder. Gradium, ett Parisbaserat röstföretag grundat av tidigare Kyutai-forskare, lade Phonon-familjen på Hugging Face den 20 oktober 2026, tillsammans med en Rust-runtime och ett WebAssembly-bygge som låter den tala inuti en webbläsarflik.

Tre dagar senare är det mest användbara en läsare kan göra inte att lyssna på demon. Det är att lägga releasebloggen, modellkortet och runtime-README:n bredvid varandra. De beskriver samma två checkpoints – Phonon 31M och Phonon 40M – och de är inte överens om siffrorna. Den oenigheten är ingen skandal; den är normal för en tre dagar gammal release. Men den talar om exakt vilka siffror som är trygga att planera efter och vilka som fortfarande är marknadsföring i transit.

Vad som faktiskt levererades den 20 oktober

Gradium släppte fyra saker samtidigt: vikter, röster, en runtime och en licensuppdelning som spelar större roll än benchmarktabellen.

Vikterna finns i tre varianter. Phonon 31M är enbart engelskspråkig, licensierad under Apache 2.0, med 37 inbyggda röster och en q8 GGUF på 64,5 MB. Phonon 40M levereras som fem separata språkspecifika checkpoints – engelska, franska, tyska, spanska och portugisiska – var och en på cirka 74,6 MB, var och en kräver godkännande av villkoren för Hugging Face och var och en under CC BY-NC 4.0. En tredje checkpoint, Phonon 40M multilingual, samlar alla fem språken i en modell med 102 röster, under samma icke-kommersiella licens.

Den licensraden är den första beslutspunkten, och den är lätt att missa eftersom familjen beskrivs som öppen. Endast den engelska 31M-modellen är gratis för kommersiellt bruk. 40M-modellerna är öppna vikter i forskningsbemärkelse: nedladdningsbara, granskningsbara och körbara, men inte licensierade för en produkt utan ett kommersiellt avtal. Ett team som prototypar på 40M eftersom det låter bättre och sedan försöker lansera produkten kommer att upptäcka det hindret sent och till hög kostnad.

Arkitekturen, i ett stycke

Phonon är en flow-matching-transformer som förutsäger ljudlatenter i 80-millisekundramar och skickar dem till Kyutais Mimi-codec för avkodning. Den bygger på Pocket TTS, den lilla modellserien som kom från samma forskningskrets. Körtiden xn-ptts är skriven i Rust och använder inte PyTorch vid inferens: CPU-sökvägar använder Arm KleidiAI, Apple-enheter kan använda Core ML, Snapdragon-chip kan använda QNN NPU, och webbläsare får en SIMD WebAssembly-version. Det finns bindningar för Python, Swift, JavaScript och C, plus en Docker-avbild som exponerar en OpenAI-kompatibel talendpunkt.

Den praktiska konsekvensen är att Phonon inte är en checkpoint som du laddar in i en Python-notebook och hoppas att den får plats. Det är ett driftsättningsmål. Samma 64 MB-fil körs på en Raspberry Pi, en iPhone, en webbläsare och en container, och körtiden är lika mycket produkten som vikterna är.

Tre dokument, tre uppsättningar siffror

Här är delen som är värd att sakta ner för. I releasebloggen den 20 oktober når Phonon 31M första ljud på 7 millisekunder på en MacBook Air M5 CPU och kör i 11,6 gånger realtid på en kärna, 29,9 gånger på fyra trådar. På en Raspberry Pi 5 startar den på 38 ms och kör i 3,7 gånger realtid. Samma blogg anger att Phonon 31M har en ordfelsfrekvens för svår text på 1,70 % och ett Elo för engelsk naturlighet på 2 098, jämfört med Kokoros 2 043.

Runtime-README:n, som uppdaterades i samma fönster, anger för samma MacBook Air M5 en genomströmning på 26 gånger realtid vid 5 ms tid till första byte på en kärna, och 41 gånger vid 6 ms på fyra kärnor. För Raspberry Pi 5 anger den 2,3 gånger realtid med 68 ms till första ljud. Det är inte avrundningsskillnader. Ett dokument säger att modellen är ungefär dubbelt så snabb på en Pi jämfört med vad det andra säger.

Hugging Face-modellkortet lägger till en tredje version: 1,5 % WER på hard set och 0,51 % på Seed-TTS för Phonon 31M, med samma 2 098 Elo. Släppbloggens tabell anger 1,70 % på hard set. Båda är utvärderingar som körts av leverantören. Ingen av dem hänvisar till ett oberoende testramverk, och det finns ännu ingen Artificial Analysis-post för familjen.

• Antal parametrar – 31M exklusive ljudtokenizern, men Hugging Face-metadata anger 41,1M för samma checkpoint.

• Första ljudet – 7 ms på releasebloggen, 5 ms i README, på samma MacBook Air M5.

• Genomströmning på en kärna – 11,6× realtid i bloggen, 26× i README.

• Raspberry Pi 5 — 38 ms och 3,7× i bloggen, 68 ms och 2,3× i README.

• Hårdinställd WER – 1,70 % på bloggen, 1,5 % på modellkortet.

Detta är inte ett skäl att kassera lanseringen. Det är ett skäl att behandla varje siffra som ett intervall tills någon utanför Gradium reproducerar den. Elo-siffrorna är de mest jämförbara eftersom de anger sin baslinje: Phonon 40M på 2 117, Phonon 31M på 2 098, Phonon 40M flerspråkig på 2 097, Kokoro på 2 043. En skillnad på 55 poäng mot Kokoro i leverantörens eget lyssningstest är ett betydelsefullt påstående, och det är falsifierbart, vilket är mer än de flesta TTS-lanseringar erbjuder.

Vad repot berättar för dig som bloggen inte gör

Repositoriet besvarar frågor som tillkännagivandet utelämnar. Webbläsarpaketet kan endast ladda Phonon 31M direkt från Hugging Face; 40M-checkpointarna måste serveras av din egen applikation, vilket är en verklig begränsning om pitchen som fångade din uppmärksamhet var "TTS i en flik". Gated-modeller kräver en Hugging Face-token vid bygg- eller körtid. Android QNN-vägen kräver Android 12 och en stödd Snapdragon HTP, och den har ingen automatisk CPU-fallback – om NPU:n avvisar modellen får du ett fel, inte en långsammare körning.

Röstfiler är separata från vikter. Checkpointarna levereras med vissa röster, och en katalog på gradium/phonon-voices innehåller fler, inklusive anpassade röster i .safetensors-format. Den uppdelningen är förnuftig ingenjörskonst och också den del som har minst dokumentation. Hur en anpassad röst tränas, vilken samtyckesdokumentation som följer med den och huruvida Gradium vattenmärker genererat ljud är alla obesvarade i det offentliga materialet per den 23 oktober.

Vad som är bekräftat: koden är MIT eller Apache-2.0 efter eget val, 31M-vikterna är Apache 2.0, 40M-vikterna är CC BY-NC 4.0, och runtime-miljöerna finns verkligen för Linux, macOS, Windows, iOS, Android, webbläsaren och Docker. Vad som inte är bekräftat: oberoende latens, oberoende begriplighet, stabilitet vid längre texter bortom några få meningar, och hur den flerspråkiga checkpointen hanterar kodväxling inom en mening.

Där 31 miljoner parametrar är rätt verktyg

De modeller som Phonon jämförs med under första veckan är mestadels molnsystem med hundra gånger så många parametrar och ett nätverkshopp framför sig. Det är en kategoriskillnad, inte en kvalitetsskillnad. En engelsk modell på 64 MB som börjar tala på ensiffriga millisekunder är till för de fall där ljudet inte får lämna enheten, eller måste fungera när nätverket inte är tillgängligt: verktyg för tillgänglighet offline, speldialog, kiosk- och apparatgränssnitt, privata assistenter i en telefon och webbläsarfunktioner som inte har råd med en tur och retur.

Det passar dåligt för de motsatta fallen. Om du behöver trettio språk, utdata på 48 kHz, röstdesign från en textbeskrivning eller kloning i studioklass från en referens på tio sekunder, klarar Phonon 31M inget av det. Även den flerspråkiga Phonon 40M täcker fem språk, inte trettio, och dess licens utesluter de flesta kommersiella produkter.

Den ärliga sammanfattningen efter tre dagar är att Gradium har levererat en ovanligt komplett stack för lokal körning på enheten med ovanligt tunn extern validering. Ingenjörsarbetet går att granska – körtidsmiljön finns på GitHub, vikterna går att ladda ner och benchmarkarna är dokumenterade tillräckligt väl för att gå att reproducera. Påståendena har ännu inte reproducerats av någon.

Den hälft av röstslingan som Phonon inte täcker

En lokal TTS-modell är en komponent i en röstassistent, och det är den sista. Något måste fortfarande bestämma vad som ska sägas: transkribera användaren, hämta svaret, utforma svaret. Phonon omvandlar text till ljud på enheten, men texten kommer vanligtvis från en modellserver, och det är på den servern som den operativa komplexiteten faktiskt ligger.

Det är gränsen som OrcaRouter befinner sig på. Phonon finns inte i vår katalog – det körs på din hårdvara, inte via ett API, och inget här bör läsas som att det påstår något annat. Men språkmodellen som skriver Phonons skript kan vara det,tillsammans med fler än 200 andra bakom en enda nyckel, med 0 % påslag på leverantörens listpris och automatisk redundansväxling när en leverantör får försämrad prestanda. För offline-först-produkter är uppdelningen naturlig: talsyntesen stannar på enheten, textgenereringen dirigeras till den modell som är billigast och mest välfungerande den timmen.

Vad du bör hålla koll på under den kommande månaden

Tre signaler kommer att avgöra de flesta av de öppna frågorna. Den första är en oberoende utvärdering – Artificial Analysis lägger till en talpost, eller ett labb som kör om Seed-TTS mot de publicerade checkpoints. Den andra är den kommersiella licensen för 40M-modellerna; om Gradium öppnar upp dem blir den flerspråkiga checkpointen mycket mer intressant än den engelska. Den tredje är dokumentationen om röstkloning. Gradiums egen blogg utlovar resultat från blindlyssning ”i ett framtida inlägg”, vilket är en ärlig sak att publicera och samtidigt ett medgivande att det nuvarande underlaget är företaget som rättar sin egen läxa.

Fram till dess är den försvarbara hållningen denna: Phonon 31M är verklig, den är liten, den körs där leverantören säger att den körs, och den är Apache 2.0. Den exakta hastigheten och noggrannheten ligger någonstans inom det intervall som leverantörens egna dokument beskriver. Den som planerar en produkt runt 7 ms-siffran bör först testa den på sin målhårdvara – och den som planerar runt 40M-modellen bör läsa licensen innan de förälskar sig i rösten.