Gradium 端侧 TTS 模型 Phonon 两周下载超 20 万次

Gradium 于 2026 年 11 月 5 日在 Hugging Face 发布的一篇技术跟进说明中表示，其 Phonon 端侧文本转语音模型在上线头两周内下载量已超过 20 万次。

Gradium 表示，Phonon 在 Open TTS Leaderboard 的德语和西班牙语可懂度排名中位列第一，在其评测的所有语言中均进入前三，而参数量仅为对比模型的至多百分之一。

在 Gradium 的 95 分位 CPU 首音延迟图表中，Phonon 31m 英语以 28 毫秒位列第一，Phonon 40m 英语以 38 毫秒位列第二，Pocket TTS 为 165 毫秒。数值越低越好。首音延迟衡量用户等待可播放语音的时间，因此与语音智能体及其他交互式应用直接相关。

排名衡量的是什么

该跟进说明介绍了覆盖 23 种语言的评测，涵盖可懂度、逆实时因子、首音延迟和自动化自然度指标，并针对声音克隆增加了说话人相似度。Hugging Face 的排行榜方法通过使用词错误率或字符错误率比较自动语音识别转写文本与原始提示词来计算可懂度。

流式测试使用常见提示词和相同硬件，一次运行一句语音。对于没有流式接口的模型，计时涵盖整句语音的生成，因为播放无法更早开始。声音克隆评测则单独比较生成音频与参考片段的说话人嵌入。

Hugging Face 提醒，基于识别的错误率是可懂度的代理指标，而嵌入相似度估计的是声音身份特征的保留程度。这两项测量都不能直接确定自然度、表现力或听者偏好，因此自动化排名不能替代人类偏好测试。Listen 标签页允许访客比较指标背后的生成输出并对其进行投票。

开放权重与商业条款

底层开放权重版本于 2026 年 10 月 20 日发布，因此此次新披露属于早期采用与评测更新，而非单独的模型首发。英语 Phonon 31m 模型卡列出 64.5 MB 的 8 位量化权重，采用 Apache 2.0 许可，允许商业使用。

40m 变体拥有 74.6 MB 的量化权重，通过单独的语言检查点或一个多语言模型，以 CC BY-NC 4.0 许可覆盖英语、法语、德语、西班牙语和葡萄牙语。对于基于这些非商业检查点构建的商业产品，Gradium 按用户数量而非生成的语音量来定价授权。

Phonon 生成单声道 24 kHz 音频，并可在生成继续进行的同时流式输出语音。它面向无法等待云端往返的离线助手、无障碍工具、游戏和交互式应用，同时将文本保留在用户设备上。它提供 100 多种内置声音。Gradium Studio 还可以在说话人同意的情况下，从短录音中克隆声音，或根据文本描述设计声音，以供下载和本地使用。

部署路径与限制

Gradium 的 ptts 运行时用 Rust 编写，不依赖 PyTorch。它支持 CPU、GPU 和 NPU 后端，涵盖 Intel、Arm、WebAssembly、CUDA、Vulkan、Metal、WebGPU、Apple Core ML 以及受支持的 Snapdragon 硬件。其软件包覆盖浏览器、移动端、桌面端和本地服务器集成。

Phonon 也从 5.21 版本起在 Transformers 中作为参考 PyTorch 实现提供。ptts 专注于单一端侧流，而 Transformers 则通过批量生成和全图 torch.compile 面向 GPU 吞吐量。Transformers 文档描述了一种因果 Transformer，以 12.5 Hz 生成连续的 32 维音频潜变量，再解码为 24 kHz 音频。声音以 512 维预计算说话人潜变量的形式提供。

这些机制使得部分集成工作落在检查点之外。说话人编解码器尚未发布，且音频分词器仅支持解码，因此 Transformers 无法直接从录音克隆声音。其分词器也不像 Gradium 运行时那样展开数字、金额、符号或地址。长输入会被拆分为句子，导致韵律无法贯穿整段文本。

因此部署选择十分具体：ptts 在用户硬件上提供私有的单一流，而 Transformers 提供批量 GPU 合成。在这两条路径中，声音准备以及对数字、符号和地址的语言感知处理，都与检查点本身一样，属于集成工作的一部分。