Phonon：一款 64 MB 的 TTS 模型，其三份規格表卻互相矛盾

的英文檢查點Phonon 31M——以 gradium/phonon-31m-en 之名發布——是一份 64.5 MB 的檔案。這就是整個模型，量化至八位元，能在筆記型電腦的 CPU 上生成 24 kHz 語音，而廠商宣稱其首次出聲的延遲僅為個位數毫秒。由前 Kyutai 研究人員創立、總部位於巴黎的語音公司 Gradium，於 2026 年 10 月 20 日將 Phonon 系列放上 Hugging Face，同時附上 Rust 執行環境，以及讓它能在瀏覽器分頁裡開口說話的 WebAssembly 版本。

三天後，讀者能做的最有用的事，不是去聽示範。而是把發布部落格、模型卡和執行環境的 README 並排放在一起。它們描述的是同樣兩個檢查點——Phonon 31M 和 Phonon 40M——但數字並不一致。這種不一致不是醜聞；對一個才發布三天的版本來說，這很正常。但它能確切告訴你，哪些數字可以安心用來做規劃，哪些還只是過渡中的行銷說法。

10月20日實際出貨了什麼

Gradium 一次發布了四樣東西：權重、語音、執行環境，以及一個比基準測試表更重要的授權拆分。

這些權重有三種形式。Phonon 31M僅支援英文、採用 Apache 2.0 授權、內建 37 種語音，且 q8 GGUF 檔案大小為 64.5 MB。Phonon 40M則以五個獨立的單語言檢查點形式提供——英文、法文、德文、西班牙文和葡萄牙文——每個約 74.6 MB，每個都須先接受 Hugging Face 的使用條款才能存取，且每個均採用 CC BY-NC 4.0 授權。第三個檢查點，Phonon 40M multilingual則將全部五種語言整合進一個具備 102 種語音的模型，並採用相同的非商業授權。

那行授權條款是第一個決策點，而且很容易被忽略，因為這個系列被描述為開放。只有 31M 英文模型可免費供商業使用。40M 模型在研究意義上是開放權重：可下載、可檢視、可執行，但若沒有商業協議，並未授權用於產品。團隊若因為聽起來更好而在 40M 上做原型，之後才想推出產品，就會很晚且代價高昂地撞上這道牆。

架構，用一段話說明

Phonon 是一個 flow-matching transformer，會以 80 毫秒訊框預測音訊潛在表徵，並交給 Kyutai 的 Mimi 編解碼器進行解碼。它建構在 Pocket TTS 之上，這是出自同一研究圈的小型模型系列。執行環境 xn-ptts 以 Rust 撰寫，推論時不使用 PyTorch：CPU 路徑使用 Arm KleidiAI，Apple 裝置可使用 Core ML，Snapdragon 晶片可使用 QNN NPU，瀏覽器則有 SIMD WebAssembly 版本。它提供 Python、Swift、JavaScript 與 C 的繫結，另有 Docker 映像檔可提供 OpenAI 相容的語音端點。

實際結果是，Phonon 不是那種讓你載入 Python 筆記本、再期望它剛好能塞進去的檢查點。它是一個部署目標。同一個 64 MB 檔案能在 Raspberry Pi、iPhone、瀏覽器和容器上執行，而執行環境與權重一樣，本身就是產品。

三份文件，三組數字

以下是值得放慢腳步細看的部分。在 10 月 20 日發布的部落格文章中，Phonon 31M 在 MacBook Air M5 CPU 上於 7 毫秒內達到首次音訊輸出，並在單核心上以 11.6 倍即時速度執行，在四個執行緒上以 29.9 倍執行。在 Raspberry Pi 5 上，它於 38 毫秒內啟動，並以 3.7 倍即時速度執行。同一篇文章指出，Phonon 31M 在困難文本上的詞錯誤率為 1.70%，英文自然度 Elo 為 2,098，而 Kokoro 為 2,043。

在同一時間窗內更新的 runtime README 指出，同一台 MacBook Air M5 在單核上以 5 毫秒的首位元組時間達到即時速度的 26 倍吞吐量，在四核上則以 6 毫秒達到 41 倍。在 Raspberry Pi 5 上，它則寫道速度為即時速度的 2.3 倍，首個音訊延遲為 68 毫秒。這些並不是四捨五入造成的差異。其中一份文件稱該模型在 Pi 上的速度大約是另一份文件所稱的兩倍。

Hugging Face 模型卡新增了第三個版本：Phonon 31M 在困難集上的 WER 為 1.5%，在 Seed-TTS 上為 0.51%，且 Elo 同為 2,098。發布部落格的表格則顯示困難集上為 1.70%。兩者都是廠商自行執行的評估。兩者都未引用獨立測試框架，而且 Artificial Analysis 目前也尚無該系列的條目。

• 參數量 — 不含音訊 tokenizer 為 31M，但 Hugging Face 中繼資料顯示同一個檢查點為 41.1M。

• 首次音訊 — 在發佈部落格上為 7 毫秒，在 README 中為 5 毫秒，且是在同一台 MacBook Air M5 上。

• 單一核心吞吐量 — 部落格中為即時速度的 11.6 倍，README 中為 26 倍。

• Raspberry Pi 5 — 部落格中為 38 ms 和 3.7×，README 中為 68 ms 和 2.3×。

• 硬性設定的 WER — 部落格上為 1.70%，模型卡上為 1.5%。

這不是丟棄該版本的理由，而是把每個數字都視為範圍的理由，直到 Gradium 以外的任何人重現它為止。Elo 分數最具可比性，因為它們標明了基準：Phonon 40M 為 2,117，Phonon 31M 為 2,098，Phonon 40M 多語言版為 2,097，Kokoro 為 2,043。在廠商自己的聽測中，比 Kokoro 高出 55 分是一項有意義的主張，而且它是可被證偽的，這比大多數 TTS 發布所提供的還要多。

儲存庫告訴你，但部落格沒說的事

這個儲存庫回答了公告略過的問題。瀏覽器套件只能直接從 Hugging Face 載入 Phonon 31M；40M 檢查點則必須由你自己的應用程式提供，如果你當初注意到的賣點是「在分頁中跑 TTS」，這會是一項實際限制。需授權的模型在建置或執行時需要 Hugging Face token。Android QNN 路徑需要 Android 12 與受支援的 Snapdragon HTP，而且沒有自動的 CPU 後援——如果 NPU 拒絕該模型，你會收到錯誤，而不是以較慢的速度執行。

語音檔與權重是分開的。檢查點隨附部分語音，而 gradium/phonon-voices 的目錄收錄更多語音，包括 .safetensors 格式的自訂語音。這種分離是合理的工程設計，也是文件最少的部分。自訂語音如何訓練、隨附何種同意紀錄，以及 Gradium 是否會為生成的音訊加上浮水印，截至 10 月 23 日，這些問題在公開資料中全都沒有答案。

已確認的是：程式碼為 MIT 或 Apache-2.0，由你選擇；31M 權重為 Apache 2.0；40M 權重為 CC BY-NC 4.0；且執行環境確實存在於 Linux、macOS、Windows、iOS、Android、瀏覽器與 Docker。尚未確認的是：獨立延遲、獨立可理解度、超過幾句話的長篇穩定性，以及多語言檢查點如何處理句子內的語碼轉換。

什麼情況下，3,100 萬個參數才是合適的工具

Phonon 在首週被拿來比較的模型，大多是參數量高出百倍、且前方還隔著一次網路跳轉的雲端系統。那是類別上的差異，不是品質上的差異。一個 64 MB 的英文模型能在個位數毫秒內開始發聲，是為了那些音訊絕不能離開裝置、或必須在沒有網路時仍能運作的情境：離線無障礙工具、遊戲對話、自助服務機與家電介面、手機上的私人助理，以及無法承受一次往返的瀏覽器功能。

對於相反的情況，它並不合適。如果你需要三十種語言、48 kHz 輸出、根據文字描述進行語音設計，或從十秒參考音訊進行錄音室級複製，Phonon 31M 這些全都做不到。即使是 Phonon 40M 多語言版，也只涵蓋五種語言，而非三十種，而且其授權條款排除了大多數商業產品。

三天後的誠實總結是，Gradium 已推出一個異常完整的裝置端堆疊，但外部驗證異常薄弱。工程部分可供檢視——執行環境在 GitHub 上，權重可下載，基準測試的文件記錄得足夠清楚，足以重現。這些宣稱目前尚無人重現。

Phonon 未涵蓋的那一半語音迴路

本地 TTS 模型是語音助理的其中一個元件，而且是最後一個元件。還是得有東西決定該說什麼：轉錄使用者所說的話、檢索答案、草擬回覆。Phonon 在裝置上把文字轉成音訊，但文字通常來自模型伺服器，而營運複雜度實際上就落在該伺服器上。

這就是 OrcaRouter 所處的界線。Phonon 不在我們的目錄中——它在你自己的硬體上運行，不透過 API，本文任何內容都不應被解讀為另有主張。但撰寫 Phonon 腳本的語言模型可以，與其他 200 多個模型一起透過同一把金鑰使用，對供應商標價零加成，並具備自動容錯移轉以因應供應商服務劣化。對離線優先的產品而言，這種分工很自然：語音合成留在裝置上，文字生成則路由到該小時最便宜且最健康的模型。

接下來一個月要關注什麼

有三個訊號可以釐清大多數尚未解答的問題。第一個是獨立評測——Artificial Analysis 新增語音項目，或某個實驗室拿 Seed-TTS 在已公布的檢查點上重跑。第二個是 40M 模型的商業授權；如果 Gradium 開放這些授權，多語言檢查點就會比英語版有趣得多。第三個是聲音克隆文件。Gradium 自家部落格承諾「在未來某篇文章中」公布盲聽結果，這既是誠實發布，也等於承認目前的證據是公司在自己批改自己的作業。

在那之前，站得住腳的立場是這樣：Phonon 31M 是真的，它很小，它能在廠商所說的地方運行，而且它是 Apache 2.0。確切的速度和準確度，大致落在廠商自家文件所描述的範圍內。任何打算圍繞 7 ms 這個數字規劃產品的人，都應先在自己的目標硬體上測試——而任何打算圍繞 40M 模型規劃的人，則應先讀清楚授權條款，再愛上那個聲音。