Phonon: โมเดล TTS ขนาด 64 MB ที่สเปกชีตสามฉบับไม่ตรงกัน

เช็กพอยต์ภาษาอังกฤษของ Phonon 31M — เผยแพร่ในชื่อ gradium/phonon-31m-en — เป็นไฟล์ขนาด 64.5 MB นี่คือโมเดลทั้งหมดที่ควอนไทซ์เป็นแปดบิต และสร้างเสียงพูด 24 kHz บน CPU ของแล็ปท็อป โดยมีค่าเวลาเสียงแรกที่ผู้ขายระบุว่าอยู่ในหลักมิลลิวินาทีเดียว Gradium บริษัทด้านเสียงพูดจากปารีสที่ก่อตั้งโดยอดีตนักวิจัยของ Kyutai ได้วาง Phonon ทั้งตระกูลบน Hugging Face เมื่อวันที่ 20 ตุลาคม 2026 พร้อมกับรันไทม์ Rust และบิลด์ WebAssembly ที่ทำให้มันพูดได้ภายในแท็บเบราว์เซอร์

สามวันหลังจากนั้น สิ่งที่มีประโยชน์ที่สุดที่ผู้อ่านทำได้ไม่ใช่การฟังเดโม แต่คือการวางบล็อกเปิดตัว การ์ดโมเดล และ README ของรันไทม์ไว้ข้างกัน ทั้งสามอธิบายเช็กพอยต์สองตัวเดียวกัน — Phonon 31M และ Phonon 40M — และทั้งสามไม่ตรงกันในเรื่องตัวเลข ความไม่ตรงกันนั้นไม่ใช่เรื่องอื้อฉาว แต่เป็นเรื่องปกติสำหรับการเปิดตัวที่เพิ่งมีอายุสามวัน แต่มันบอกคุณได้ชัดเจนว่าตัวเลขใดปลอดภัยพอที่จะใช้วางแผน และตัวเลขใดยังเป็นการตลาดที่อยู่ระหว่างทาง

สิ่งที่จัดส่งจริงในวันที่ 20 ตุลาคม

Gradium เปิดตัวสี่สิ่งพร้อมกัน ได้แก่ เวต เสียง รันไทม์ และการแยกสัญญาอนุญาตที่มีความสำคัญยิ่งกว่าตารางเบนช์มาร์ก

เวตของโมเดลมีสามรูปแบบ Phonon 31Mรองรับเฉพาะภาษาอังกฤษ ใช้สัญญาอนุญาต Apache 2.0 มีเสียงในตัว 37 เสียง และเป็นไฟล์ q8 GGUF ขนาด 64.5 MB Phonon 40Mเผยแพร่เป็นเช็กพอยต์แยกตามภาษาห้าชุด ได้แก่ ภาษาอังกฤษ ภาษาฝรั่งเศส ภาษาเยอรมัน ภาษาสเปน และภาษาโปรตุเกส แต่ละชุดมีขนาดประมาณ 74.6 MB แต่ละชุดต้องยอมรับข้อกำหนดการใช้งานของ Hugging Face ก่อนจึงจะเข้าถึงได้ และแต่ละชุดอยู่ภายใต้สัญญาอนุญาต CC BY-NC 4.0 เช็กพอยต์ที่สาม Phonon 40M multilingualรวมทั้งห้าภาษาไว้ในโมเดลเดียวที่มี 102 เสียง ภายใต้สัญญาอนุญาตแบบไม่ใช้เชิงพาณิชย์เดียวกัน

เส้นเรื่องสัญญาอนุญาตนั้นคือจุดตัดสินใจแรก และเป็นเรื่องง่ายที่จะมองข้าม เพราะตระกูลนี้ถูกอธิบายว่าเป็นแบบเปิด เฉพาะโมเดลภาษาอังกฤษขนาด 31M เท่านั้นที่ใช้เชิงพาณิชย์ได้ฟรี ส่วนโมเดลขนาด 40M นั้นเป็นโอเพนเวตส์ในความหมายเชิงงานวิจัย คือดาวน์โหลดได้ ตรวจสอบได้ รันได้ แต่ไม่มีสัญญาอนุญาตให้ใช้ในผลิตภัณฑ์ได้หากไม่มีข้อตกลงเชิงพาณิชย์ ทีมที่สร้างต้นแบบบนโมเดล 40M เพราะรู้สึกว่าดีกว่า แล้วค่อยมาพยายามวางจำหน่ายจริง จะชนกำแพงนั้นช้าและต้องจ่ายแพง

สถาปัตยกรรม ในหนึ่งย่อหน้า

Phonon เป็นทรานส์ฟอร์เมอร์แบบ flow-matching ที่ทำนาย latent ทางเสียงเป็นเฟรม 80 มิลลิวินาที แล้วส่งต่อให้โคเดก Mimi ของ Kyutai เพื่อถอดรหัส โดยต่อยอดจาก Pocket TTS ซึ่งเป็นสายโมเดลขนาดเล็กที่มาจากวงการวิจัยเดียวกัน รันไทม์ xn-ptts เขียนด้วย Rust และไม่ใช้ PyTorch ในการอนุมาน เส้นทาง CPU ใช้ Arm KleidiAI อุปกรณ์ Apple ใช้ Core ML ได้ ชิป Snapdragon ใช้ QNN NPU ได้ และเบราว์เซอร์ได้บิลด์ SIMD WebAssembly นอกจากนี้ยังมี binding สำหรับ Python, Swift, JavaScript และ C พร้อมอิมเมจ Docker ที่เปิดเอนด์พอยต์เสียงที่เข้ากันได้กับ OpenAI

ผลที่ตามมาในทางปฏิบัติคือ Phonon ไม่ใช่ checkpoint ที่คุณโหลดเข้า Python notebook แล้วหวังว่าจะรันได้ลงตัว มันคือเป้าหมายสำหรับการดีพลอย ไฟล์ขนาด 64 MB ไฟล์เดียวกันรันได้บน Raspberry Pi, iPhone, เบราว์เซอร์ และคอนเทนเนอร์ และรันไทม์ก็เป็นผลิตภัณฑ์พอ ๆ กับเวตของโมเดล

เอกสารสามฉบับ ตัวเลขสามชุด

นี่คือส่วนที่ควรหยุดอ่านอย่างละเอียด ในบล็อกเปิดตัววันที่ 20 ตุลาคม Phonon 31M ไปถึงเสียงแรกได้ใน 7 มิลลิวินาทีบน CPU ของ MacBook Air M5 และทำงานเร็ว 11.6 เท่าของเวลาจริงบนหนึ่งคอร์ และ 29.9 เท่าบนสี่เธรด บน Raspberry Pi 5 เริ่มทำงานใน 38 ms และทำงานเร็ว 3.7 เท่าของเวลาจริง บล็อกเดียวกันให้ค่าอัตราความผิดพลาดระดับคำสำหรับข้อความยากของ Phonon 31M ที่ 1.70% และคะแนน Elo ด้านความเป็นธรรมชาติของภาษาอังกฤษที่ 2,098 เทียบกับ 2,043 ของ Kokoro

README ของรันไทม์ซึ่งอัปเดตในช่วงเวลาเดียวกัน ระบุว่า MacBook Air M5 เครื่องเดียวกันมีทรูพุต 26 เท่าของเวลาจริง ที่เวลาไปถึงไบต์แรก 5 มิลลิวินาทีบนหนึ่งคอร์ และ 41 เท่า ที่ 6 มิลลิวินาทีบนสี่คอร์ บน Raspberry Pi 5 ระบุว่า 2.3 เท่าของเวลาจริง โดยใช้เวลา 68 มิลลิวินาทีถึงเสียงแรก สิ่งเหล่านี้ไม่ใช่ความแตกต่างจากการปัดเศษ เอกสารหนึ่งกล่าวว่าโมเดลเร็วขึ้นประมาณสองเท่าบน Pi เมื่อเทียบกับที่อีกเอกสารหนึ่งกล่าวไว้

การ์ดโมเดลบน Hugging Face เพิ่มเวอร์ชันที่สาม: WER บนชุดทดสอบยาก 1.5% และ 0.51% บน Seed-TTS สำหรับ Phonon 31M โดยมี Elo 2,098 เท่าเดิม ตารางในบล็อกประกาศระบุว่า 1.70% บนชุดทดสอบยาก ทั้งสองเป็นการประเมินที่ผู้ขายเป็นผู้ดำเนินการเอง ทั้งคู่ไม่ได้อ้างอิงชุดทดสอบอิสระ และยังไม่มีรายการของตระกูลนี้ใน Artificial Analysis

• จำนวนพารามิเตอร์ — 31M โดยไม่รวม audio tokenizer แต่ข้อมูลเมตาของ Hugging Face ระบุ 41.1M สำหรับเช็กพอยต์เดียวกัน

• เสียงแรก — 7 มิลลิวินาทีบนบล็อกประกาศเปิดตัว, 5 มิลลิวินาทีใน README บน MacBook Air M5 เครื่องเดียวกัน

• ทรูพุตบนหนึ่งคอร์ — 11.6× ของเวลาจริงในบล็อก และ 26× ใน README

• Raspberry Pi 5 — 38 ms และ 3.7× ในบล็อก, 68 ms และ 2.3× ใน README

• WER ชุดข้อมูลแบบ hard-set — 1.70% บนบล็อก, 1.5% บนการ์ดโมเดล

นี่ไม่ใช่เหตุผลที่จะทิ้งการเปิดตัวครั้งนี้ แต่เป็นเหตุผลที่จะถือว่าทุกตัวเลขเป็นช่วงหนึ่งจนกว่าจะมีคนนอก Gradium ทำซ้ำได้ ตัวเลข Elo เป็นตัวเลขที่เทียบกันได้มากที่สุด เพราะระบุฐานอ้างอิงไว้ชัดเจน: Phonon 40M ที่ 2,117, Phonon 31M ที่ 2,098, Phonon 40M multilingual ที่ 2,097, Kokoro ที่ 2,043 ช่องว่าง 55 จุดเหนือ Kokoro ในการทดสอบการฟังของผู้ขายเองเป็นการกล่าวอ้างที่มีความหมาย และสามารถพิสูจน์หักล้างได้ ซึ่งมากกว่าที่การเปิดตัว TTS ส่วนใหญ่เสนอให้

สิ่งที่ repo บอกคุณแต่ blog ไม่ได้บอก

ที่เก็บโค้ดตอบคำถามที่ประกาศข้ามไป แพ็กเกจสำหรับเบราว์เซอร์โหลดได้เฉพาะ Phonon 31M โดยตรงจาก Hugging Face เท่านั้น ส่วนเช็กพอยต์ 40M ต้องให้แอปพลิเคชันของคุณเองเป็นผู้เสิร์ฟ ซึ่งเป็นข้อจำกัดจริงหากจุดขายที่ทำให้คุณสนใจคือ "TTS in a tab" โมเดลแบบ gated ต้องใช้โทเคน Hugging Face ตอน build หรือตอนรัน เส้นทาง Android QNN ต้องใช้ Android 12 และ Snapdragon HTP ที่รองรับ และไม่มีการ fallback ไป CPU อัตโนมัติ — หาก NPU ปฏิเสธโมเดล คุณจะได้รับ error ไม่ใช่การรันที่ช้าลง

ไฟล์เสียงแยกจากเวต เช็กพอยต์มีเสียงบางส่วนมาพร้อม และแค็ตตาล็อกที่ gradium/phonon-voices มีเสียงเพิ่มเติม รวมถึงเสียงที่กำหนดเองในรูปแบบ .safetensors การแยกเช่นนี้เป็นการออกแบบทางวิศวกรรมที่สมเหตุสมผล และยังเป็นส่วนที่มีเอกสารประกอบน้อยที่สุดด้วย วิธีการฝึกเสียงที่กำหนดเอง บันทึกความยินยอมแบบใดที่ติดไปกับเสียงนั้น และ Gradium ใส่ลายน้ำในเสียงที่สร้างขึ้นหรือไม่ ล้วนไม่มีคำตอบในเนื้อหาสาธารณะ ณ วันที่ 23 ตุลาคม

สิ่งที่ยืนยันแล้ว: โค้ดเป็น MIT หรือ Apache-2.0 ตามดุลยพินิจของคุณ เวต 31M เป็น Apache 2.0 เวต 40M เป็น CC BY-NC 4.0 และรันไทม์มีอยู่จริงสำหรับ Linux, macOS, Windows, iOS, Android, เบราว์เซอร์ และ Docker สิ่งที่ยังไม่ยืนยัน: ความหน่วงที่เป็นอิสระ ความเข้าใจได้ที่เป็นอิสระ ความเสถียรของข้อความยาวเกินกว่าสองสามประโยค และเช็กพอยต์หลายภาษาจัดการการสลับภาษาภายในประโยคอย่างไร

เมื่อพารามิเตอร์ 31 ล้านตัวคือเครื่องมือที่ใช่

โมเดลที่ Phonon ถูกนำไปเปรียบเทียบด้วยในสัปดาห์แรกส่วนใหญ่เป็นระบบคลาวด์ที่มีจำนวนพารามิเตอร์มากกว่าร้อยเท่าและมี network hop อยู่ข้างหน้า นั่นคือความแตกต่างเชิงหมวดหมู่ ไม่ใช่ความแตกต่างด้านคุณภาพ โมเดลภาษาอังกฤษขนาด 64 MB ที่เริ่มพูดได้ภายในหลักมิลลิวินาทีนั้นมีไว้สำหรับกรณีที่เสียงต้องไม่ออกจากอุปกรณ์ หรือต้องทำงานเมื่อไม่มีเครือข่าย เช่น เครื่องมือช่วยการเข้าถึงแบบออฟไลน์ บทสนทนาในเกม อินเทอร์เฟซคีออสก์และเครื่องใช้ ผู้ช่วยส่วนตัวบนโทรศัพท์ และฟีเจอร์เบราว์เซอร์ที่ไม่สามารถแลกกับการเดินทางไปกลับของข้อมูลได้

มันไม่เหมาะกับกรณีตรงกันข้าม หากคุณต้องการรองรับสามสิบภาษา เอาต์พุต 48 kHz การออกแบบเสียงจากคำอธิบายข้อความ หรือการโคลนเสียงระดับสตูดิโอจากตัวอย่างอ้างอิงความยาวสิบวินาที Phonon 31M ไม่ทำสิ่งเหล่านั้นเลย แม้แต่ Phonon 40M เวอร์ชันหลายภาษาก็ครอบคลุมเพียงห้าภาษา ไม่ใช่สามสิบภาษา และใบอนุญาตของมันตัดโอกาสผลิตภัณฑ์เชิงพาณิชย์ส่วนใหญ่ออกไป

ข้อสรุปตรงไปตรงมาหลังสามวันคือ Gradium ได้ส่งมอบสแต็กบนอุปกรณ์ที่สมบูรณ์อย่างผิดปกติ พร้อมการตรวจสอบจากภายนอกที่บางเบาอย่างผิดปกติ งานวิศวกรรมสามารถตรวจสอบได้ — รันไทม์อยู่บน GitHub, เวตดาวน์โหลดได้, เบนช์มาร์กมีเอกสารประกอบมากพอที่จะทำซ้ำได้ แต่ยังไม่มีใครทำซ้ำข้อกล่าวอ้างได้เลย

ครึ่งหนึ่งของลูปเสียงที่ Phonon ไม่ได้ครอบคลุม

โมเดล TTS ภายในเครื่องเป็นเพียงองค์ประกอบหนึ่งของผู้ช่วยเสียง และเป็นองค์ประกอบสุดท้าย ยังมีบางสิ่งต้องตัดสินใจว่าจะพูดอะไร: ถอดเสียงผู้ใช้ ค้นหาคำตอบ ร่างคำตอบ Phonon เปลี่ยนข้อความเป็นเสียงบนอุปกรณ์ แต่โดยปกติข้อความมาจากเซิร์ฟเวอร์โมเดล และเซิร์ฟเวอร์นั้นคือที่ที่ความซับซ้อนด้านปฏิบัติการอยู่จริง

นั่นคือเส้นแบ่งที่ OrcaRouter ยืนอยู่ Phonon ไม่ได้อยู่ในแคตตาล็อกของเรา — มันทำงานบนฮาร์ดแวร์ของคุณ ไม่ได้ผ่าน API และไม่ควรตีความสิ่งใดในที่นี้ว่าเป็นการอ้างเช่นนั้น แต่โมเดลภาษาที่เขียนสคริปต์ให้ Phonon นั้นสามารถเป็นได้ เคียงข้างโมเดลอื่นอีกกว่า 200 ตัวภายใต้คีย์เดียว โดยไม่บวกกำไรเพิ่ม 0% จากราคาตามรายการของผู้ให้บริการ พร้อมการสลับใช้งานอัตโนมัติเมื่อผู้ให้บริการรายใดมีประสิทธิภาพลดลง สำหรับผลิตภัณฑ์ที่ให้ความสำคัญกับโหมดออฟไลน์เป็นอันดับแรก การแบ่งหน้าที่แบบนี้เป็นเรื่องธรรมชาติ: การสังเคราะห์เสียงยังคงอยู่บนอุปกรณ์ ส่วนการสร้างข้อความจะถูกส่งไปยังโมเดลที่ถูกที่สุดและพร้อมใช้งานที่สุดในชั่วโมงนั้น

สิ่งที่ควรจับตามองในเดือนหน้า

สัญญาณสามอย่างจะช่วยคลี่คลายคำถามที่ยังเปิดอยู่ส่วนใหญ่ได้ อันแรกคือการประเมินที่เป็นอิสระ — การที่ Artificial Analysis เพิ่มรายการเสียงพูด หรือแล็บหนึ่งรัน Seed-TTS ซ้ำเทียบกับ checkpoint ที่เผยแพร่แล้ว อันที่สองคือใบอนุญาตเชิงพาณิชย์สำหรับโมเดล 40M; หาก Gradium เปิดใบอนุญาตเหล่านั้นขึ้นมา checkpoint หลายภาษาจะน่าสนใจกว่า checkpoint ภาษาอังกฤษมาก อันที่สามคือเอกสารเกี่ยวกับการโคลนเสียง บล็อกของ Gradium เองสัญญาว่าจะมีผลการฟังแบบ blind “ในโพสต์ในอนาคต” ซึ่งเป็นสิ่งที่ซื่อสัตย์ที่จะเผยแพร่ และยังเป็นการยอมรับว่าหลักฐานในปัจจุบันคือบริษัทกำลังตรวจการบ้านตัวเอง

จนถึงตอนนั้น จุดยืนที่ยังปกป้องได้คือนี้: Phonon 31M เป็นของจริง มันเล็ก มันทำงานในที่ที่ผู้จำหน่ายบอกว่ามันทำงาน และมันเป็น Apache 2.0 ความเร็วและความแม่นยำที่แน่นอนนั้นอยู่ในช่วงใดช่วงหนึ่งตามที่เอกสารของผู้จำหน่ายเองระบุไว้ ใครก็ตามที่วางแผนผลิตภัณฑ์โดยอิงตัวเลข 7 ms ควรทดสอบบนฮาร์ดแวร์เป้าหมายของตนก่อน — และใครก็ตามที่วางแผนโดยอิงโมเดล 40M ควรอ่านสัญญาอนุญาตก่อนจะหลงรักเสียงนั้น