Phonon: Một mô hình TTS 64 MB với ba bảng thông số kỹ thuật không khớp nhau

Bản checkpoint tiếng Anh của Phonon 31M — được công bố dưới tên gradium/phonon-31m-en — là một tệp 64,5 MB. Đó là toàn bộ mô hình, được lượng tử hóa xuống tám bit, và nó tạo ra giọng nói 24 kHz trên CPU máy tính xách tay với thời gian đến âm thanh đầu tiên mà nhà cung cấp đưa ra chỉ ở mức một chữ số mili giây. Gradium, một công ty về giọng nói tại Paris do các cựu nhà nghiên cứu Kyutai thành lập, đã đưa Phonon (dòng mô hình) lên Hugging Face vào ngày 20 tháng 10 năm 2026, cùng với một runtime Rust và bản dựng WebAssembly cho phép thứ này nói trong một tab trình duyệt.

Ba ngày sau, điều hữu ích nhất mà người đọc có thể làm không phải là nghe bản demo. Mà là đặt bài blog phát hành, thẻ mô hình và README của runtime cạnh nhau. Chúng mô tả cùng hai checkpoint — Phonon 31M và Phonon 40M — và chúng không thống nhất về các con số. Sự không thống nhất đó không phải là bê bối; đó là điều bình thường với một bản phát hành mới ba ngày. Nhưng nó cho bạn biết chính xác những con số nào là an toàn để lập kế hoạch dựa vào và những con số nào vẫn còn là tiếp thị đang trên đường.

Thực tế đã có gì được phát hành vào ngày 20 tháng 10?

Gradium tung ra bốn thứ cùng một lúc: trọng số, giọng nói, một runtime, và một cách tách giấy phép còn quan trọng hơn cả bảng benchmark.

Các bộ trọng số có ba dạng. Phonon 31M chỉ dành cho tiếng Anh, Apache 2.0, 37 giọng tích hợp và q8 GGUF 64,5 MB. Phonon 40M được phát hành dưới dạng năm checkpoint riêng theo từng ngôn ngữ — tiếng Anh, tiếng Pháp, tiếng Đức, tiếng Tây Ban Nha và tiếng Bồ Đào Nha — mỗi bản khoảng 74,6 MB, mỗi bản yêu cầu chấp nhận điều khoản trên Hugging Face và mỗi bản thuộc CC BY-NC 4.0. Checkpoint thứ ba, Phonon 40M multilingual, gộp cả năm ngôn ngữ vào một mô hình với 102 giọng, dưới cùng giấy phép phi thương mại.

Dòng giấy phép đó là điểm quyết định đầu tiên, và rất dễ bị bỏ qua vì dòng mô hình này được mô tả là mở. Chỉ mô hình tiếng Anh 31M là miễn phí cho mục đích thương mại. Các mô hình 40M là trọng số mở theo nghĩa nghiên cứu: có thể tải xuống, có thể kiểm tra, có thể chạy, nhưng không được cấp phép cho một sản phẩm nếu không có thỏa thuận thương mại. Một nhóm tạo mẫu thử trên 40M vì nghe có vẻ tốt hơn rồi sau đó cố gắng đưa sản phẩm ra thị trường sẽ va phải rào cản đó muộn và tốn kém.

Kiến trúc, trong một đoạn văn

Phonon là một transformer flow-matching dự đoán các latent âm thanh trong các khung 80 mili giây và chuyển chúng cho codec Mimi của Kyutai để giải mã. Nó được xây dựng dựa trên Pocket TTS, dòng mô hình nhỏ xuất phát từ cùng nhóm nghiên cứu. Runtime, xn-ptts, được viết bằng Rust và không dùng PyTorch khi suy luận: các đường thực thi trên CPU dùng Arm KleidiAI, thiết bị Apple có thể dùng Core ML, chip Snapdragon có thể dùng NPU QNN, và trình duyệt nhận bản dựng WebAssembly SIMD. Có các binding cho Python, Swift, JavaScript và C, cùng một ảnh Docker cung cấp endpoint giọng nói tương thích với OpenAI.

Hệ quả thực tiễn là Phonon không phải là một checkpoint mà bạn tải vào notebook Python rồi hy vọng nó vừa. Nó là một mục tiêu triển khai. Cùng một tệp 64 MB chạy trên Raspberry Pi, iPhone, trình duyệt và container, và runtime là sản phẩm cũng như các trọng số vậy.

Ba tài liệu, ba bộ số liệu

Đây là phần đáng để dành thời gian xem xét kỹ. Trên blog phát hành ngày 20 tháng 10, Phonon 31M đạt âm thanh đầu tiên sau 7 mili giây trên CPU MacBook Air M5 và chạy ở tốc độ 11,6 lần thời gian thực trên một lõi, 29,9 lần trên bốn luồng. Trên Raspberry Pi 5, nó khởi động trong 38 ms và chạy ở tốc độ 3,7 lần thời gian thực. Cùng blog đó cho Phonon 31M tỷ lệ lỗi từ trên văn bản khó là 1,70% và điểm Elo độ tự nhiên tiếng Anh là 2.098, so với 2.043 của Kokoro.

README của runtime, được cập nhật trong cùng khung thời gian đó, cho biết cùng chiếc MacBook Air M5 đạt thông lượng gấp 26 lần thời gian thực với 5 ms thời gian đến byte đầu tiên trên một lõi, và gấp 41 lần với 6 ms trên bốn lõi. Trên Raspberry Pi 5, tài liệu này nói đạt gấp 2,3 lần thời gian thực với 68 ms đến âm thanh đầu tiên. Đó không phải là những khác biệt do làm tròn. Một tài liệu nói mô hình nhanh gần gấp đôi trên Pi so với tài liệu kia.

Thẻ mô hình Hugging Face bổ sung phiên bản thứ ba: WER 1,5% trên bộ khó và 0,51% trên Seed-TTS đối với Phonon 31M, với cùng 2.098 Elo. Bảng trong blog phát hành ghi 1,70% trên bộ khó. Cả hai đều là đánh giá do nhà cung cấp tự chạy. Không bên nào trích dẫn một bộ kiểm thử độc lập và vẫn chưa có mục Artificial Analysis nào cho dòng này.

Số lượng tham số — 31M không bao gồm audio tokenizer, nhưng siêu dữ liệu của Hugging Face liệt kê 41.1M cho cùng checkpoint.

• Audio đầu tiên — 7 ms trên blog phát hành, 5 ms trong README, trên cùng một chiếc MacBook Air M5.

• Thông lượng trên một lõi — nhanh gấp 11,6× thời gian thực trong blog, 26× trong README.

• Raspberry Pi 5 — 38 ms và 3,7× trong blog, 68 ms và 2,3× trong README.

• WER trên tập cố định — 1,70% trên blog, 1,5% trên thẻ mô hình.

Đây không phải là lý do để loại bỏ bản phát hành. Đó là lý do để coi mọi con số là một khoảng cho đến khi ai đó bên ngoài Gradium tái tạo được nó. Các số liệu Elo là dễ so sánh nhất vì chúng nêu rõ đường cơ sở: Phonon 40M ở 2.117, Phonon 31M ở 2.098, Phonon 40M đa ngôn ngữ ở 2.097, Kokoro ở 2.043. Khoảng cách 55 điểm so với Kokoro trên chính bài kiểm tra nghe của nhà cung cấp là một tuyên bố có ý nghĩa, và nó có thể bị phản bác, điều mà hầu hết các bản ra mắt TTS không đưa ra.

Những gì repo cho bạn biết mà blog thì không

Kho lưu trữ trả lời những câu hỏi mà thông báo bỏ qua. Gói trình duyệt chỉ có thể tải trực tiếp Phonon 31M từ Hugging Face; các checkpoint 40M phải do ứng dụng của chính bạn phục vụ, đây là một ràng buộc thực sự nếu lời giới thiệu khiến bạn chú ý là "TTS trong một tab." Các mô hình gated cần token Hugging Face lúc build hoặc lúc chạy. Đường QNN trên Android yêu cầu Android 12 và một HTP Snapdragon được hỗ trợ, và nó không có cơ chế tự động chuyển sang CPU — nếu NPU từ chối mô hình, bạn nhận được lỗi, chứ không phải một lần chạy chậm hơn.

Các tệp giọng nói tách biệt với trọng số. Các checkpoint đi kèm một số giọng nói, và một danh mục tại gradium/phonon-voices chứa nhiều hơn, bao gồm cả giọng nói tùy chỉnh ở định dạng .safetensors. Sự tách biệt đó là kỹ thuật hợp lý và cũng là phần có ít tài liệu nhất. Cách một giọng nói tùy chỉnh được huấn luyện, hồ sơ đồng ý nào đi kèm với nó, và liệu Gradium có gắn watermark lên âm thanh được tạo hay không đều chưa được trả lời trong tài liệu công khai tính đến ngày 23 tháng 10.

Điều đã được xác nhận: mã nguồn theo giấy phép MIT hoặc Apache-2.0 tùy chọn của bạn, trọng số 31M là Apache 2.0, trọng số 40M là CC BY-NC 4.0, và các runtime thực sự tồn tại cho Linux, macOS, Windows, iOS, Android, trình duyệt và Docker. Điều chưa được xác nhận: độ trễ độc lập, độ dễ hiểu độc lập, độ ổn định ở dạng dài ngoài vài câu, và cách checkpoint đa ngôn ngữ xử lý chuyển mã trong một câu.

Khi nào 31 triệu tham số là công cụ phù hợp

Những mô hình mà Phonon được đem ra so sánh trong tuần đầu tiên chủ yếu là các hệ thống đám mây có số tham số gấp trăm lần và phải đi qua thêm một chặng mạng. Đó là khác biệt về hạng mục, không phải khác biệt về chất lượng. Một mô hình tiếng Anh 64 MB bắt đầu cất tiếng chỉ trong dưới 10 mili giây là dành cho những trường hợp âm thanh không được rời khỏi thiết bị, hoặc phải hoạt động khi không có mạng: công cụ trợ năng ngoại tuyến, lời thoại trong game, giao diện kiosk và thiết bị gia dụng, trợ lý riêng tư trên điện thoại, và các tính năng trình duyệt không thể chấp nhận một vòng khứ hồi mạng.

Nó không phù hợp với những trường hợp ngược lại. Nếu bạn cần ba mươi ngôn ngữ, đầu ra 48 kHz, thiết kế giọng nói từ mô tả bằng văn bản, hoặc nhân bản giọng nói chất lượng phòng thu từ một mẫu tham chiếu mười giây, thì Phonon 31M không làm được bất kỳ điều nào trong số đó. Ngay cả Phonon 40M đa ngôn ngữ cũng chỉ hỗ trợ năm ngôn ngữ, không phải ba mươi, và giấy phép của nó loại trừ hầu hết các sản phẩm thương mại.

Tóm tắt trung thực sau ba ngày là Gradium đã phát hành một ngăn xếp trên thiết bị hoàn thiện đến mức bất thường nhưng lại có mức xác thực bên ngoài mỏng đến mức bất thường. Phần kỹ thuật có thể kiểm tra được — runtime có trên GitHub, trọng số có thể tải xuống, các benchmark được ghi chép đủ rõ để tái lập. Các tuyên bố vẫn chưa được ai tái lập.

Nửa còn lại của vòng lặp giọng nói mà Phonon không đảm nhiệm

Một mô hình TTS cục bộ chỉ là một thành phần của trợ lý giọng nói, và nó là thành phần cuối cùng. Vẫn phải có thứ gì đó quyết định sẽ nói gì: chép lời người dùng, truy xuất câu trả lời, soạn phản hồi. Phonon chuyển văn bản thành âm thanh ngay trên thiết bị, nhưng văn bản thường đến từ một máy chủ mô hình, và chính máy chủ đó mới là nơi thực sự chứa đựng độ phức tạp trong vận hành.

Đó chính là ranh giới mà OrcaRouter nằm trên đó. Phonon không có trong danh mục của chúng tôi — nó chạy trên phần cứng của bạn, không qua API, và không có gì ở đây nên được hiểu là khẳng định điều ngược lại. Nhưng mô hình ngôn ngữ viết kịch bản cho Phonon thì có thể, cùng với hơn 200 mô hình khác đằng sau một khóa duy nhất, với 0% phụ phí trên giá niêm yết của nhà cung cấp và tự động chuyển đổi dự phòng khi một nhà cung cấp bị suy giảm. Với các sản phẩm ưu tiên ngoại tuyến, sự phân tách này là tự nhiên: tổng hợp giọng nói vẫn ở trên thiết bị, còn việc tạo văn bản được định tuyến tới mô hình rẻ nhất và ổn định nhất trong giờ đó.

Những điều cần theo dõi trong tháng tới

Ba tín hiệu sẽ giải quyết phần lớn những câu hỏi còn bỏ ngỏ. Tín hiệu thứ nhất là một đánh giá độc lập — Artificial Analysis bổ sung một mục về giọng nói, hoặc một phòng thí nghiệm chạy lại Seed-TTS đối chiếu với các checkpoint đã công bố. Tín hiệu thứ hai là giấy phép thương mại cho các mô hình 40M; nếu Gradium mở những mô hình đó ra, checkpoint đa ngôn ngữ sẽ trở nên thú vị hơn nhiều so với checkpoint tiếng Anh. Tín hiệu thứ ba là tài liệu về nhân bản giọng nói. Blog của chính Gradium hứa hẹn kết quả nghe mù "trong một bài đăng sau này", đó là một điều trung thực để công bố và cũng là một sự thừa nhận rằng bằng chứng hiện tại chính là việc công ty tự chấm bài của mình.

Cho đến lúc đó, lập trường có thể bảo vệ là thế này: Phonon 31M là thật, nó nhỏ, nó chạy ở nơi nhà cung cấp nói nó chạy, và nó là Apache 2.0. Tốc độ và độ chính xác thực tế nằm đâu đó trong phạm vi mà tài liệu của chính nhà cung cấp mô tả. Bất kỳ ai đang lên kế hoạch cho sản phẩm dựa trên con số 7 ms nên thử nghiệm nó trên phần cứng mục tiêu trước — và bất kỳ ai đang lên kế hoạch dựa trên mô hình 40M nên đọc giấy phép trước khi phải lòng giọng nói đó.