Gradium Phonon: 64 MB-os nyílt TTS, ami a telefonon fut

Mi változott?

A Gradium közzétette a Phonont (Gradium), egy nyílt súlyú text-to-speech családot, amelyet arra terveztek, hogy felhő nélkül, magán az eszközön fusson. Egy flow-matching transformer 80 ms-os keretenként jósolja az audio latenseket, a hangot a Kyutai Mimi codecje állítja elő, 24 kHz-en. A modell a Kyutai Pocket TTS-ére épül. A hangot már generálás közben streameli.

Három modell

• Phonon 31m: angol, 64 MB (8 bites kvantálás), Apache 2.0, kereskedelmi célra is használható.
• Phonon 40m: nyelvenként külön modell angolra, franciára, németre, spanyolra és portugálra, 74,6 MB, CC BY-NC 4.0.
• Phonon 40m multilingual: mind az öt nyelv egy modellben, szintén CC BY-NC; kereskedelmi használathoz a Gradiummal kell megállapodni.

Hogyan használod?

A runtime Rustban íródott, PyTorch nem kell hozzá (GitHub). Van parancssori eszköz (uvx ptts), Python csomag, npm csomag a böngészőhöz, Swift package és Android könyvtár Snapdragon NPU támogatással. Szerverként OpenAI-kompatibilis speech API-t ad, Home Assistanthez is beköthető. A Gradium szerint iPhone 16 Prón akár 22-szer gyorsabb a valós időnél. Egy Raspberry Pi 5 is elviszi.

Miért fontos?

Offline asszisztens, képernyőolvasó, játék vagy voice agent: ezekben a felhős TTS késleltetése és költsége gyakran a szűk keresztmetszet. Egy 64 MB-os, kereskedelmileg is szabad modell ezt eszközre hozza, a szöveg pedig el sem hagyja a gépet. Magyar nyelv nincs a csomagban; a Gradium egyedi nyelvi modellt kérésre készít.