Gradium发布端侧TTS模型Phonon：31M英语版Apache 2.0，称在Hugging Face榜单多语言可懂度进前三
Gradium在Hugging Face博客介绍两周前开源的Phonon，两款模型约 65 MB和 75 MB，覆盖英、法、德、西、葡五语，手机、笔记本、单板机与浏览器均可离线运行。该公司称Phonon在德语和西班牙语可懂度上排第一，并在CPU流式首音频延迟上居首；31M英语版以Apache 2.0授权，可商用。
Gradium在Hugging Face博客发文，介绍两周前开放的小型端侧文本转语音模型Phonon，称其无需服务器和网络即可在用户设备上运行，输入文本留在本地。
Phonon提供约 65 MB和 75 MB两个规格，合计支持英语、法语、德语、西班牙语和葡萄牙语，内置 100 多种声音，并可通过Gradium Studio创建自定义声音。
授权按规格区分：Phonon 31m仅支持英语，采用Apache 2.0，可免费用於商业产品；Phonon 40m覆盖五种语言，采用CC BY-NC非商业许可，商业用途按用户数量计价，而非按生成语音量计价。
榜单表现与评测范围
Gradium称，在Hugging Face的Open TTS Leaderboard上，Phonon在德语和西班牙语的可懂度上排名第一，在所有被评测语言中进入前三，对比对象包括参数量至多为其 100 倍的模型。
该榜单由Hugging Face推出，覆盖 23 种语言，评测可懂度（输出词错误率）、速度（逆实时因子和首音频时间）和自然度（英语用UTMOS、韩语用KOMOS），并区分固定声音与声音克隆两种任务。Gradium称Phonon在CPU流式首音频时间上居首。这些排名和比较均为该公司自述。
推理框架与开发者接入
Gradium为Phonon新建了推理框架ptts，目标是在多种设备上取得性能，支持CPU（Intel、Arm、WebAssembly）、GPU（CUDA、Vulkan、Metal、WebGPU）和NPU（Apple Core ML、Snapdragon）等 10 余种后端。
Phonon也进入Transformers v5.21，作为参考PyTorch实现。博客说明，ptts面向设备上的单流运行，Transformers版本面向GPU吞吐，支持批量生成和全图torch.compile，适合大规模合成语音数据。
模型基于Pocket TTS谱系，在Transformers中以模块化方式叠加，约 200 行代码描述差异；声音以说话人潜变量张量形式预计算，存放在gradium/phonon-voices仓库。
- Phonon 31m参数量 30,788,354，音频分词器参数量 10,305,313（博客示例代码输出）。
- ptts支持 10 余种后端；Transformers集成自v5.21起可用。
演示与早期使用
博客列出的演示包括：关闭Wi-Fi的Apple Watch逐步引导冲泡咖啡、无信号iPhone上计次、Autonomous公司的机器人Lamp扮演角色说话、浏览器中离线小恐龙游戏变成Rex主持的广播节目，以及科幻游戏和逐页朗读《追忆似水年华》。
开发者侧，ExecuTorch转换让Phonon在浏览器访客的GPU上运行，Micdrop将其带入Node.js应用，smallest-s2s等Spaces基于它构建。Gradium称发布两周下载量超过 20 万次。上述演示为个别案例，博客未给出通用场景的效果数据。