Ollama 上线语音模型 Phonon，支持文本转语音

2026年10月24日

Ollama 现在可以将文本转换为语音。首个语音模型是 Phonon, 这是来自 Gradium. 的一系列小型、最先进的文本转语音模型。语音模型现已在 macOS 上推出，Windows 和 Linux 支持即将推出。

ollama run phonon "Hello from Ollama."

Apple Silicon 上的性能

在 Apple Silicon 上，Ollama 由 Apple 的机器学习框架 MLX 加速，以实现最先进的吞吐量。在搭载 M5 Max 的 MacBook Pro 上，Ollama 比第二快的引擎——Gradium 自家的运行时——快 35%。

Ollama 的实现同样准确，其词错误率与 Hugging Face Transformers 中的参考实现持平：

声音

在 API 中使用 --voice, 或 voice 选择声音：

ollama run phonon --voice Hadley "Hello from Ollama."

这些声音来自 Gradium 的 声音目录. ollama show phonon ，其中列出了全部声音。

语言

phonon 以 Apache 2.0 许可发布。40M 模型以 CC BY-NC 4.0 许可发布，仅限非商业使用。

朗读回复

将聊天模型的回复通过管道传给 Phonon。文本在到达时即被朗读，因此回复在出现第一句话后就开始播放：

ollama run gemma4 --hidethinking "Tell me a fun fact about owls in two sentences." | ollama run phonon

运行 ollama run phonon 时不带文本，即可在提示符下逐行输入，或将输出重定向以保存为 WAV 文件：

ollama run phonon "Save this to a file." > speech.wav

API

Phonon 可与兼容 OpenAI 的 /v1/audio/speech 端点配合使用，因此使用 OpenAI SDK 的现有代码只需更换 base URL。

curl http://localhost:11434/v1/audio/speech \
  -H "Content-Type: application/json" \
  -d '{
    "model": "phonon",
    "voice": "Zoey",
    "input": "Hello from Ollama."
  }' --output speech.wav

from openai import OpenAI

client = OpenAI(base_url="http://localhost:11434/v1", api_key="ollama")

with client.audio.speech.with_streaming_response.create(
    model="phonon",
    voice="Zoey",
    input="Hello from Ollama.",
    response_format="wav",
) as response:
    response.stream_to_file("speech.wav")

import fs from "node:fs"
import OpenAI from "openai"

const openai = new OpenAI({ baseURL: "http://localhost:11434/v1", apiKey: "ollama" })

const response = await openai.audio.speech.create({
  model: "phonon",
  voice: "Zoey",
  input: "Hello from Ollama.",
  response_format: "wav",
})
fs.writeFileSync("speech.wav", Buffer.from(await response.arrayBuffer()))

响应在音频生成的同时进行流式传输，因此可以立即播放：

curl -sN http://localhost:11434/v1/audio/speech \
  -H "Content-Type: application/json" \
  -d '{"model": "phonon", "input": "Playback starts right away."}' \
  | ffplay -nodisp -autoexit -loglevel error -

音频为 24 kHz 单声道，默认以 WAV 格式返回，或以原始 16 位采样返回， "response_format": "pcm".

开始使用

语音模型在 Apple Silicon Mac 上运行。 下载 Ollama 0.40.11 或更高版本，然后拉取 Phonon：

ollama pull phonon

更多信息，请参阅：

• Phonon 模型页面
• 语音文档
• OpenAI 兼容性
• Gradium 的声音目录