Gradium 于 10 月 20 日以开放权重形式发布了 Phonon，一组主打在设备本地运行的小型语音合成（TTS）模型。模型卡写明 Phonon "builds on Pocket TTS and the Mimi codec, developed by Kyutai"，即基于 Kyutai 开发的 Pocket TTS 和 Mimi 编解码器。

先说清楚：Phonon 不支持中文，也不支持日文。最小的 Phonon 31m 只能读英文；其余版本覆盖的也只是英、法、德、西、葡五种语言。它不能用来给中文内容配音。

发布了哪些版本

  • Phonon 31m：仅英文，Apache 2.0 许可，可以商用。
  • Phonon 40m：英、法、德、西、葡每种语言一个模型，每种语言 12 到 37 个内置声音，CC BY-NC 许可。
  • Phonon 40m multilingual：一套权重覆盖上述五种语言，CC BY-NC 许可。

CC BY-NC 只允许非商业使用，40m 系列商用需联系 Gradium。能免费商用的只有英文 31m。

64.5MB 到底指什么

64.5MB 是英文 31m 模型的 8 位量化权重文件 model.q8.gguf 的大小，不是运行时占用的全部内存，Gradium 也没有公布运行内存数据。31M 这个参数量也不含音频编解码器（Mimi）。40m 版本标注为 74.6MB。

本地运行：怎么跑

模型卡称 Phonon 支持边生成边播放（流式输出），体积小到可以在浏览器标签页、手机或笔记本 CPU 上运行。官方提供 Python 和浏览器两种接入方式，以及 GitHub 上的运行时，并称已针对 10 多个硬件平台优化，包括 CPU（Intel、Arm、WebAssembly）、GPU（CUDA、Vulkan、Metal、WebGPU）和 NPU（Apple Core ML、骁龙）。

隐私

本地推理意味着要朗读的文字不必发到服务器，断网也能出声。对隐私敏感、或需要离线使用的英文场景，这是相比云端语音 API 最直接的好处。

接入成本

  • 许可：英文 31m 是 Apache 2.0，商用不用付授权费；40m 系列只能非商业使用。
  • 调用费用：本地运行没有按次或按字符计费。
  • 工程成本：需要自己打包、分发和更新模型文件，并在目标设备上测内存和速度。

官方数据（未经我们实测）

以下数字全部来自 Gradium 自己的测试，我们尚未实测：

  • Phonon 31m 在笔记本 CPU 上 7 毫秒开始出声。
  • 与 Kokoro、Magpie、NeuTTS、Pocket TTS 做盲听对比，1,189 名评测者、17,270 票。
  • 在 Gradium 自建的每种语言 500 句难句测试集上，词错误率：31m 为 1.70%，40m multilingual 为 2.11%，40m 为 2.22%。

如果需要中文语音，仍需另选支持中文的方案。云端语音模型的动态可参考我们对 Grok Voice 3.0 的报道。其他端侧模型可参考 MiniCPM-V 4.7 手机端运行 和 Perplexity Computer 在 Mac 上本地运行。