Phonon TTS zwei Wochen nach Release: CPU-Streaming mit bester Latenz bis zum ersten Ton, Apache 2.0 nur für englische Version
Laut einem Blogbeitrag des Gradium-Teams auf Hugging Face vom 5. November 2026 wurden nachträglich Details zum On-Device-TTS-Modell Phonon veröffentlicht: Die englische 31m-Version steht unter Apache 2.0, die 40m-Version für fünf Sprachen unter CC BY-NC. Das Team nennt sich selbst führend bei der Verständlichkeit von Deutsch und Spanisch sowie bei der Latenz bis zum ersten Ton im CPU-Streaming und beschreibt die Integration in Transformers 5.21 sowie den ptts-Inferenzpfad.

Was sich geändert hat
Der am 5. November 2026 veröffentlichte Beitrag ist eine Rückschau des Teams Gradium auf das zwei Wochen zuvor als Open-Weights-Modell freigegebene On-Device-Sprachmodell Phonon. Das Team nennt zwei Größen von etwa 65 MB und 75 MB, die zusammen Englisch, Französisch, Deutsch, Spanisch und Portugiesisch abdecken. Mehr als 100 Stimmen seien eingebaut, eigene Stimmen ließen sich in Gradium Studio erstellen, und das Modell könne oft falsch vorgelesene Passagen wie Telefonnummern, Datumsangaben und Code verarbeiten. Die Lizenz ist geteilt: Die englische Phonon 31m steht unter Apache 2.0 und ist für kommerzielle Produkte nutzbar; die fünfsprachige Phonon 40m steht unter CC BY-NC, ist für nichtkommerzielle Projekte kostenlos, und die kommerzielle Lizenz wird nach Nutzerzahl bepreist. Das Modell führt die Linie von Pocket TTS fort und erzeugt Audio per Flow Matching. Dem Team zufolge war das Training anfangs numerisch instabil, und erst mehrere Kniffe hätten in allen fünf Sprachen hohe Qualität gebracht. Der Beitrag nennt außerdem Ergebnisse der offenen TTS-Rangliste von Hugging Face: Platz eins bei der Verständlichkeit von Deutsch und Spanisch, Top drei in jeder bewerteten Sprache und Platz eins bei der Latenz bis zum ersten Ton im CPU-Streaming-Benchmark. Die Abbildung nennt für die 95. Perzentile 28 Millisekunden für die englische 31m-Version, 38 Millisekunden für die englische 40m-Version und 165 Millisekunden für Pocket TTS. Zur Integration heißt es, Phonon sei seit Transformers 5.21 als Referenz-PyTorch-Implementierung enthalten; zusätzlich gebe es das ptts-Inferenzframework für verschiedene Geräte-Backends, das mehr als zehn Backends auf CPU, GPU und NPU unterstützt. Stimmen seien keine Aufnahmen, sondern vorab berechnete Tensoren von Sprecher-Latentvektoren, die im Repository gradium/phonon-voices bereitgestellt werden; der Audio-Tokenizer werde in Decoder-only-Form veröffentlicht. Das Team nennt mehr als 200.000 Downloads in den ersten zwei Wochen und erwähnt Community-Projekte wie eine ExecuTorch-Konvertierung für den Browser und eine Micdrop-Integration auf Node.js-Seite.
Auswirkungen für Entwickler
Die folgende Analyse beruht auf dem genannten Bericht und ist kein verifizierter Fakt. Für Entwickler ergeben sich drei Punkte. Erstens ist die Lizenz nach Version gespalten, und die falsche Version ist schwerer zu korrigieren als das falsche Modell: Wer nur Englisch und kommerziell arbeitet, nimmt die 31m mit klarer Lizenz; wer Ausgaben auf Deutsch, Französisch, Spanisch oder Portugiesisch braucht, muss beachten, dass CC BY-NC bei der 40m das Herunterladen der Gewichte erlaubt, den kommerziellen Einsatz aber einschränkt. Die kommerzielle Lizenz wird nach Nutzerzahl bepreist und sollte früh verhandelt werden, nicht erst kurz vor dem Start. Zweitens gibt es für dieselben Gewichte zwei Inferenzformen: ptts mit Einzelstrom für satzweise Interaktion auf dem Gerät und Transformers mit Batch-Generierung und vollständiger Graph-Kompilierung für Offline-Batch-Synthese. Das ist eine Arbeitsteilung nach Szenario, kein Ersatz füreinander; die falsche Wahl kostet spürbar Latenz oder Durchsatz. Drittens werden Stimmen als vorberechnete Tensoren geliefert, und der veröffentlichte Tokenizer kann nur dekodieren, nicht eigene Audiodaten direkt kodieren. Eigene Stimmen müssen daher über den Gradium-Studio-Ablauf entstehen, mit Einwilligung der Sprecher; die Verwaltung von Stimm-Assets unterscheidet sich damit vom bisherigen Weg, einfach eine Aufnahme hochzuladen. Betont sei, dass Ranglistenplätze und Millisekundenwerte aus dem Herstellerbeitrag und der Rangliste unter bestimmten CPU-Streaming-Bedingungen stammen und sich auf einem konkreten Smartphone, Browser oder Einplatinenrechner nicht zwangsläufig reproduzieren lassen.
Integration und Bewertung
Die folgenden Empfehlungen sind bedingt und keine verifizierten Schlussfolgerungen. Empfehlung eins: Versionen zuerst nach Sprache und Lizenz sauber trennen. Ein prüfbares Kriterium ist eine Erkennungsschleife mit einem festen Satz aus dem eigenen Geschäft, einschließlich Telefonnummern, Datumsangaben und Code, mit getrennten Wortfehlerraten für 31m und 40m in den Zielsprachen, dazu ein Abgleich der Lizenzdateien der zu verteilenden Version. Wer nur Englisch und kommerziell arbeitet, kann nach dem Test der 31m weitergehen; umfassen die Zielsprachen Deutsch, Französisch, Spanisch oder Portugiesisch, muss der kommerzielle Lizenzweg vor der Integration geklärt sein, weil die nichtkommerzielle Lizenz der 40m direkt die Veröffentlichung blockiert. Diese Bedingung bestimmt die Reihenfolge der gesamten Auswahl. Empfehlung zwei: Inferenzpfad nach Latenz oder Durchsatz wählen. Geht es um satzweises Vorlesen auf dem Gerät, bei dem Nutzer auf den ersten Ton warten, ist ptts sinnvoll; dann sollte die Latenz bis zum ersten Ton in der 95. Perzentile auf dem Zielgerät als Abnahmekriterium dienen, und die Ranglistenwerte aus dem Beitrag taugen nur als Referenzbasis. Geht es um Offline-Batch-Erzeugung von Sprachdatensätzen, ist der Transformers-Pfad sinnvoll; Abnahmekriterien sind dann Samples pro Sekunde und Speicherverbrauch auf fester Hardware, erneut gemessen mit aktiviertem Batch und vollständiger Graph-Kompilierung, weil die Optimierungsziele beider Pfade einander entgegengesetzt sind. Empfehlung drei: Stimmen als extern zu erzeugende Assets behandeln. Wer eigene Stimmen braucht, sollte zuerst prüfen, ob Klon- und Textdesign-Ablauf in Gradium Studio funktionieren und ob die Einwilligungskette der Sprecher geschlossen werden kann. Als Bewertungsmaßstab lässt sich ein Sprecherähnlichkeitswert für geklonte und eingebaute Stimmen auf dem eigenen Evaluationsset heranziehen, ähnlich wie in der Rangliste; fällt die Ähnlichkeit zu niedrig aus oder lässt sich die Einwilligungskette nicht schließen, bleibt man bei den eingebauten Stimmen. Ob diese Voraussetzung erfüllt ist, entscheidet darüber, ob man eine eigene Stimme nach außen versprechen kann.
Grenzen und offene Fragen
Im aktuellen Online-Modellkatalog von KimiSeek finden sich weder Phonon 31m noch Phonon 40m. Die in diesem Artikel genannten Verfügbarkeiten beziehen sich auf die Herstellerseite, also auf die auf Hugging Face veröffentlichten Gewichte und Gradium Studio, nicht auf einen Dienst bei KimiSeek; auch gibt es keinen Beleg dafür, dass beide Versionen Entwicklern bereits als API angeboten werden. Ranglistenergebnisse und die Werte von 28 und 38 Millisekunden bis zum ersten Ton stammen aus dem eigenen Beitrag von Gradium und aus Messungen der Hugging-Face-Rangliste unter bestimmten CPU-Streaming-Bedingungen; sie geben die Herstellersicht wieder und wurden für diesen Artikel nicht unabhängig reproduziert. Der Beitrag nennt weder Latenzverteilungen je Sprache noch Speicherverbrauchskurven oder Daten zur Stabilität im Dauerbetrieb; die konkreten Bedingungen der CC-BY-NC-Beschränkung der 40m und der kommerziellen Lizenz sind beim Hersteller zu erfragen. Angaben zu einer kleineren Variante mit weniger Speicher, zu Unterstützung für Koreanisch, Arabisch und Japanisch sowie zur Feinabstimmung auf produktspezifisches Vokabular sind nur Gesprächsstand ohne Zeitplan. Offene Gewichte sind nicht gleich eine Open-Source-Lizenz: Die 40m ist genau das Beispiel für verfügbare Gewichte unter nichtkommerzieller Lizenz, während erst die Apache-2.0-Lizenz der 31m eine kommerziell nutzbare offene Lizenz darstellt.
Abbildungen aus dem Originalbericht
