Gradium 於 10 月 20 日以開放權重形式發布了 Phonon，一組主打在裝置本機執行的小型語音合成（TTS）模型。模型卡寫明 Phonon "builds on Pocket TTS and the Mimi codec, developed by Kyutai"，即基於 Kyutai 開發的 Pocket TTS 和 Mimi 編解碼器。

先說清楚：Phonon 不支援中文，也不支援日文。最小的 Phonon 31m 只能讀英文；其餘版本涵蓋的也只是英、法、德、西、葡五種語言。它不能用來為中文內容配音。

發布了哪些版本

  • Phonon 31m：僅英文，Apache 2.0 授權，可以商用。
  • Phonon 40m：英、法、德、西、葡每種語言一個模型，每種語言 12 到 37 個內建聲音，CC BY-NC 授權。
  • Phonon 40m multilingual：一套權重涵蓋上述五種語言，CC BY-NC 授權。

CC BY-NC 只允許非商業使用，40m 系列商用需聯絡 Gradium。能免費商用的只有英文 31m。

64.5MB 到底指什麼

64.5MB 是英文 31m 模型的 8 位元量化權重檔 model.q8.gguf 的大小，不是執行時占用的全部記憶體，Gradium 也沒有公布執行記憶體數據。31M 這個參數量也不含音訊編解碼器（Mimi）。40m 版本標示為 74.6MB。

本機執行：怎麼跑

模型卡稱 Phonon 支援邊生成邊播放（串流輸出），體積小到可以在瀏覽器分頁、手機或筆電 CPU 上執行。官方提供 Python 和瀏覽器兩種接入方式，以及 GitHub 上的執行環境，並稱已針對 10 多個硬體平台最佳化，包括 CPU（Intel、Arm、WebAssembly）、GPU（CUDA、Vulkan、Metal、WebGPU）和 NPU（Apple Core ML、Snapdragon）。

隱私

本機推論代表要朗讀的文字不必傳到伺服器，斷網也能出聲。對隱私敏感、或需要離線使用的英文情境，這是相較雲端語音 API 最直接的好處。

接入成本

  • 授權：英文 31m 是 Apache 2.0，商用不用付授權費；40m 系列只能非商業使用。
  • 呼叫費用：本機執行沒有按次或按字元計費。
  • 工程成本：需要自行打包、發布和更新模型檔，並在目標裝置上測試記憶體和速度。

官方數據（未經我們實測）

以下數字全部來自 Gradium 自己的測試，我們尚未實測：

  • Phonon 31m 在筆電 CPU 上 7 毫秒開始出聲。
  • 與 Kokoro、Magpie、NeuTTS、Pocket TTS 做盲聽比較，1,189 名評測者、17,270 票。
  • 在 Gradium 自建的每種語言 500 句難句測試集上，詞錯誤率：31m 為 1.70%，40m multilingual 為 2.11%，40m 為 2.22%。

如果需要中文語音，仍需另選支援中文的方案。雲端語音模型的動態可參考我們對 Grok Voice 3.0 的報導。其他端側模型可參考 MiniCPM-V 4.7 手機端執行 和 Perplexity Computer 在 Mac 上本機執行。