Gradium 开源 31M 参数端侧 TTS 模型 Phonon 31m，采用 Apache 2.0 许可证
从 Kyutai 分拆的巴黎语音 AI 公司 Gradium 开源端侧 TTS 模型家族 Phonon，其中英文版 Phonon 31m 为 31M 参数、64.5 MB q8 GGUF，采用 Apache 2.0 许可证，无需 GPU 或云端调用即可在 CPU、手机、树莓派 5 和浏览器上运行。
MarkTechPost· Asif Razzaq·2026-10-23 00:56· 1 小时前AI 评分61
Gradium 以 Apache 2.0 许可证开源 Phonon，一款 31M 参数的端侧 TTS 模型
AI 导读
Gradium（从 Kyutai 分拆的巴黎语音 AI 公司）开源 Phonon 端侧 TTS 模型家族，其中英文 Phonon 31m 为 31M 参数、64.5 MB q8 GGUF，采用 Apache 2.0 许可证，无需 GPU 或云端调用即可在 CPU、手机、树莓派 5 和浏览器上运行。
正文 · 原文
Gradium 已开源 Phonon，这是一个专为端侧运行而构建的小型文本转语音模型家族。Gradium Phonon 端侧 TTS 模型提供 31M 和 40M 两种规模。英文版 Phonon 31m 以 Apache 2.0 许可证发布，文件大小仅 64.5 MB。开发者无需云端调用、无需 GPU、也无需按字符付费，即可获得自然语音。
TL;DR
- 规模：31M 参数（不含音频分词器），64.5 MB q8 GGUF，24 kHz 单声道输出。Phonon 40m：40M，74.6 MB。
- 运行平台：CPU、手机、树莓派 5、浏览器（WASM、WebGPU）和 NVIDIA GPU。无需 GPU。
- 性能：在 Gradium 测试的开源模型中英文 Elo 最高；在 CPU 上约 7 ms 生成首个音频。
- 最佳表现：在 500 句困难集上 WER 为 1.70%，而 Kokoro 为 3.50%（Gradium 的评测）。
- 最差表现：Seed-TTS LLM WER 为 0.51%，落后于 Kokoro（0.45%）和 Magpie（0.46%）。
什么是 Gradium Phonon？
Phonon 是 Gradium 推出的开放权重 TTS 家族，Gradium 是一家从 Kyutai 分拆出来的巴黎语音 AI 公司。它可在手机、笔记本电脑、开发板和浏览器上本地生成语音。
该家族包含 三个模型：
- Phonon 31m：仅英文，37 个内置音色，Apache 2.0。
- Phonon 40m：每种语言 1 个模型（英语、法语、德语、西班牙语、葡萄牙语），CC BY-NC 4.0。
- Phonon 40m 多语言版：1 个模型涵盖全部 5 种语言，102 个音色，CC BY-NC 4.0。
Phonon 如何工作？
Phonon 使用因果 transformer 主干。其前缀结合了文本和说话人嵌入。一个词表为 4,000 个 token 的 SentencePiece 分词器直接读取原始文本，无需音素转换。
主干每 80 ms 帧生成 1 个潜在向量。一个流匹配头将该向量与噪声在单步内转换为音频嵌入。随后，Kyutai Mimi 解码器的一个较小变体输出 24 kHz PCM 音频。一个独立的语音结束头决定何时停止。
Phonon 31m 使用 6 层 transformer，宽度 512，8 个注意力头。Phonon 40m 使用 9 层，宽度相同。两者均从更大的 Phonon 教师模型蒸馏而来。训练在配备 NCCL 和 CUDA Graphs 的 NVIDIA H100 集群上运行。
该工作基于 Kyutai 的 Continuous Audio Language Models 研究和 Pocket TTS。
Phonon 在基准测试中表现如何？
Gradium 进行了盲听成对比较测试，共有 1,189 名评分者和 17,270 次投票。在美式英语中，Phonon 40m 得分为 2117 Elo，Phonon 31m 为 2098。Kokoro 为 2043，NeuTTS 为 2034，Magpie 为 1939。
准确率在公开的困难句集上测试。每种语言包含 500 个句子，充满电话号码、电子邮件和邮政编码。Phonon 31m 的 WER 为 1.70%，而 Kokoro 为 3.50%，NeuTTS Nano 为 8.71%。
内置文本归一化是造成这一差距的主要原因。
在较简单的 Seed-TTS 集上，差距缩小。Phonon 31m 的 LLM WER 为 0.51%，而 Kokoro 为 0.45%。
Phonon 在 CPU 上有多快？
在配备 4 线程的 MacBook Air M5 CPU 上，Phonon 31m 在 6.9 ms 内输出首个音频。它比实时速度快 29.9 倍。Kokoro 需要 517 ms，因为它不支持流式输出。借助 Arm KleidiAI 和 Apple Accelerate，Phonon 31m 达到实时的 46.7 倍。
在 Raspberry Pi 5 上，Phonon 31m 在 38 ms 内启动，运行速度比实时快 3.7 倍。Gradium 表示 Kokoro 在该设备上需要 7 秒才能启动。
在 Snapdragon 8 Elite Gen 5 上，Phonon 在 7.5 ms 内启动，达到实时的 24 倍。在 NVIDIA L40S 上，CUDA 在 5 ms 内输出首段语音。根据新闻稿，AMD EPYC 7413 CPU 需要 43 ms。
对比：Phonon 与 Kokoro、NeuTTS Nano 和 Kitten TTS
| 特性 | Phonon 31m | Phonon 40m 多语言 | Kokoro-82M | NeuTTS Nano | Kitten TTS v0.8 |
|---|---|---|---|---|---|
| 开发者 | Gradium | Gradium | hexgrad | Neuphonic | KittenML |
| 参数量 | 31M（不含分词器） | 40M | 82M | 总计约 228.7M，激活约 116.8M | 15M / 40M / 80M |
| 权重 | 64.5 MB (q8) | 74.6 MB (q8) | 未披露 | 未披露 | 25 至 80 MB |
| 语言 | 英语 | EN、FR、DE、ES、PT | 8 种（v1.0） | 英语（合集新增 ES、FR、DE） | 英语 |
| 许可证 | Apache 2.0 | CC BY-NC 4.0 | Apache 2.0 | NeuTTS Open License 1.0 | Apache 2.0 |
| 困难集 WER，英语（Gradium 评估） | 1.70% | 2.11% | 3.50% | 8.71% | 7.40%（未披露变体） |
| 英语 Elo（Gradium 评估） | 2098 | 2097 | 2043 | 2034 | 未测试 |
| Seed-TTS LLM WER，英语（Gradium 评估） | 0.51% | 0.48% | 0.45% | 0.62% | 未测试 |
| 首个音频，M5 CPU，4 线程 | 6.9 ms | 8.8 ms（40m 架构） | 517 ms | 未披露 | 未披露 |
基准测试行来自 Gradium 的博客和模型卡。大小、语言和许可证行来自各模型自己的模型卡。
开发者如何部署 Phonon？
运行时采用 MIT 或 Apache-2.0 许可证。它覆盖 Rust、Python（pip install ptts）、Swift、C、C++ 以及通过 phonon-tts 的浏览器。它还提供兼容 OpenAI 的服务器和 WebSocket 服务器。
Phonon 可在 Transformers、MLX-Audio、Ollama 和 LM Studio 中加载。语音克隆和语音设计在 Gradium Studio 中运行，然后语音在本地运行。
关键要点
- Phonon 31m 是一个 31M、64.5 MB 的英语 TTS 模型，采用 Apache 2.0 许可证。
- 它报告在困难文本上的 WER 为 1.70%，而 Kokoro 为 3.50%。
- 在 MacBook Air M5 CPU 上，首个音频在 6.9 ms 内输出。
- 在 Raspberry Pi 5 上，它的运行速度比实时快 3.7 倍。
- 存在多语言 40m 模型，但采用非商业许可证。
查看技术博客、模型卡、GitHub 运行时和困难句子数据集。所有功劳归于该项目的研究者。另外，欢迎在 Twitter 上关注我们，别忘了加入我们的 150k+ ML SubReddit 并订阅 我们的新闻通讯。等等！你在 Telegram 上吗？ 现在你也可以在 Telegram 上加入我们。
需要与我们合作推广你的 GitHub 仓库、Hugging Face 页面、产品发布或网络研讨会等？ 联系我们
文章 Gradium 开源 Phonon：一个采用 Apache 2.0 许可证的 31M 参数端侧 TTS 模型 首次出现在 MarkTechPost。
来源：MarkTechPost · marktechpost.com
来源：RadarAI · aihot.news