Gradium abre Phonon, su modelo TTS de dispositivo: la versión inglesa de 31M usa Apache 2.0 y 64,5 MB para funcionar sin conexión
Según informó MarkTechPost el 22 de octubre de 2026, Gradium liberó la familia Phonon de modelos TTS para dispositivo, que incluye Phonon 31m en inglés, con 31M de parámetros y pesos q8 de 64,5 MB bajo licencia Apache 2.0; en la prueba propia del proveedor sobre un conjunto de oraciones difíciles, el WER fue de 1,70 %, y en CPU de MacBook Air M5 generó el primer audio en 6,9 ms.
Qué ha cambiado
Según informó MarkTechPost el 22 de octubre de 2026, Gradium, empresa parisina de voz escindida de Kyutai, liberó la familia de modelos de texto a voz para dispositivo Phonon. La familia incluye tres modelos: Phonon 31m, solo en inglés, con 31M de parámetros (sin contar el tokenizador de audio), 64,5 MB en q8 GGUF, salida mono a 24 kHz, 37 voces integradas y licencia Apache 2.0; Phonon 40m, dividido por idioma (inglés, francés, alemán, español y portugués), con 74,6 MB; y la versión multilingüe de Phonon 40m, que reúne los cinco idiomas en un solo modelo y ofrece 102 voces; estos dos últimos usan licencia no comercial CC BY-NC 4.0. En cuanto a la arquitectura, Phonon emplea un tronco transformer causal, concatena al prefijo el texto y las incrustaciones de hablante, y usa un tokenizador SentencePiece de 4000 vocablos para leer texto sin procesar directamente, sin conversión a fonemas; el tronco emite un vector latente por fotograma cada 80 ms, una cabeza de flow-matching lo convierte en un solo paso en incrustaciones de audio, y un decodificador variante reducido de Kyutai Mimi produce PCM a 24 kHz; además, una cabeza independiente de fin de voz decide cuándo detenerse. Phonon 31m tiene 6 capas, ancho 512 y 8 cabezas de atención; Phonon 40m tiene 9 capas del mismo ancho; ambos se destilaron de un modelo profesor Phonon más grande y se entrenaron en clústeres NVIDIA H100, con trabajo basado en la investigación de Kyutai sobre modelos de lenguaje de audio continuo y en Pocket TTS. Las cifras de rendimiento publicadas por el proveedor incluyen: en una prueba ciega con 1189 evaluadores y 17270 votos, el inglés estadounidense de Phonon 40m obtuvo 2117 Elo, Phonon 31m 2098 y Kokoro 2043; en un conjunto público de oraciones difíciles, con 500 oraciones por idioma que incluyen teléfonos, correos y códigos postales, Phonon 31m registró un WER de 1,70 %, Kokoro 3,50 % y NeuTTS Nano 8,71 %; en el conjunto Seed-TTS, más fácil, la diferencia se redujo, y el WER del LLM de Phonon 31m fue de 0,51 %, ligeramente por encima del 0,45 % de Kokoro. En velocidad, en CPU de MacBook Air M5 con 4 hilos, el primer audio tardó 6,9 ms, unas 29,9 veces en tiempo real, y con Arm KleidiAI y Apple Accelerate hasta 46,7 veces; en Raspberry Pi 5, el arranque fue de 38 ms y 3,7 veces en tiempo real; en Snapdragon 8 Elite Gen 5, 7,5 ms y 24 veces en tiempo real; en NVIDIA L40S con CUDA, 5 ms; en CPU AMD EPYC 7413, 43 ms. El entorno de ejecución usa licencias MIT o Apache-2.0, cubre Rust, Python (pip install ptts), Swift, C, C++ y navegador (phonon-tts), y ofrece servidores compatibles con OpenAI y servidor WebSocket; los modelos se pueden cargar en Transformers, MLX-Audio, Ollama y LM Studio, y la clonación y el diseño de voz se realizan en Gradium Studio antes de ejecutarse localmente.
Impacto para desarrolladores
Para los desarrolladores, el valor práctico de esta noticia está en convertir la TTS en inglés de una llamada a la nube facturada por caracteres en un componente local que se puede distribuir con la aplicación. El tamaño de 31M de parámetros y pesos q8 de 64,5 MB implica que puede empaquetarse con el código de negocio en un instalador móvil o en recursos del navegador, sin depender de ida y vuelta por la red ni consumir presupuesto de GPU; la capacidad de streaming, con primer audio del orden de 6,9 ms, hace viables en CPU pura casos sensibles a la latencia del primer carácter, como conversación en tiempo real o lectura interactiva. Sin embargo, hay que tener en cuenta tres puntos: primero, Apache 2.0 solo cubre Phonon 31m en inglés; Phonon 40m y la versión multilingüe 40m usan CC BY-NC 4.0, por lo que un producto comercial no puede tratar la capacidad multilingüe como una extensión gratuita bajo la misma licencia; si se necesitan francés, alemán u otros idiomas, habrá que buscar una licencia aparte o seguir usando otras soluciones. Segundo, las cifras de Elo, WER y velocidad del reportaje provienen de evaluaciones propias de Gradium, con conjuntos de evaluación y comparaciones elegidos por el proveedor; la ventaja de WER de 1,70 % de Phonon frente a 3,50 % de Kokoro en oraciones difíciles se atribuye principalmente a la normalización de texto integrada, mientras que en el conjunto Seed-TTS, más convencional, Phonon 31m queda ligeramente por detrás de Kokoro, lo que indica que la ventaja se concentra en textos estructurados como teléfonos, correos y códigos postales, y no debe extrapolarse a una superioridad general. Tercero, el tamaño cuantizado, la latencia multihilo y el rendimiento dependen en gran medida del hardware, el número de hilos y el backend de ejecución; el mismo modelo puede comportarse de forma muy distinta en distintas CPU y formas de enlace, y las cifras puntuales del reportaje solo sirven como referencia de orden de magnitud.
Integración y evaluación
Se recomienda avanzar con dos decisiones condicionales. Primero, si la necesidad principal del producto es locución en inglés sin conexión y el entorno de despliegue es CPU o móvil, conviene considerar directamente Phonon 31m como candidato para sustituir la TTS en la nube: confirmar primero que el alcance de la licencia se limita a la versión 31m en inglés y luego medir con pesos q8 en el dispositivo objetivo. El criterio de evaluación puede ser: ejecutar en el modelo objetivo un lote de textos reales de negocio con un número fijo de hilos, medir P50 y P95 de la latencia del primer audio y compararlos con la latencia extremo a extremo, incluida la red, de la solución en la nube actual; si el P95 del primer audio no alcanza un umbral aceptable, volver a la solución en la nube. Segundo, si el producto necesita varios idiomas, se recomienda tratar la versión multilingüe 40m como una opción no comercial en un proyecto separado: usarla solo para prototipos internos hasta confirmar que el modelo de negocio permite CC BY-NC. El criterio de evaluación puede ser: comparar el WER por idioma y la puntuación subjetiva de naturalidad de las voces con muestras multilingües del conjunto de oraciones difíciles, y registrar si la licencia cumple los requisitos de distribución; si cualquiera de los dos no cumple, mantener el proveedor actual. Tercero, independientemente de la ruta elegida, conviene hacer primero una prueba comparativa de normalización de texto: extraer teléfonos, correos, códigos postales, importes y otros textos estructurados en un conjunto fijo de casos, ejecutar el mismo lote con Phonon, que trae normalización integrada, y con soluciones que requieren preprocesamiento propio, y comparar las tasas de error, porque el reportaje señala claramente que esta parte es la principal fuente de diferencia; si la normalización propia ya es suficientemente buena, esta ventaja de Phonon se diluye y la selección debe orientarse a latencia y tamaño. Cuarto, se recomienda incluir también el backend de ejecución como variable en la evaluación: comparar la ruta de CPU normal con versiones que activen bibliotecas de aceleración como Arm KleidiAI o Apple Accelerate, confirmar si en el chip objetivo se puede reproducir una mejora de rendimiento de orden de magnitud; si no se reproduce, planificar la capacidad de concurrencia con valores conservadores y evaluar de antemano el coste operativo de los servidores WebSocket y compatibles con OpenAI en escenarios autoalojados. Todo lo anterior son recomendaciones y análisis condicionales basados en el reportaje, no hechos verificados.
Límites y cuestiones pendientes
Las cifras de Elo, WER y latencia del reportaje provienen de evaluaciones propias y comunicados de Gradium; los conjuntos de evaluación, los objetos de comparación y las condiciones de prueba fueron elegidos por el proveedor y no han sido reproducidos de forma independiente por terceros; el hecho de que Phonon 31m quede por detrás de Kokoro en el conjunto Seed-TTS también demuestra que la ventaja es condicional. En cuanto a licencias, solo se confirma que Phonon 31m en inglés es Apache 2.0, y que Phonon 40m y la versión multilingüe son CC BY-NC 4.0; los pesos abiertos no equivalen a uso comercial libre, por lo que antes de seleccionar conviene revisar el texto original de cada ficha de modelo y no inferir la autorización solo porque los pesos se puedan descargar. Además, Phonon 31m y toda la serie Phonon no aparecen actualmente en el catálogo de modelos en tiempo real de KimiSeek; la disponibilidad, licencia y rendimiento citados en este artículo provienen de Gradium y de su cobertura, no están relacionados con la plataforma KimiSeek y no implican que esta plataforma ofrezca ese modelo o una API relacionada; los precios y términos de licencia de las partes pueden cambiar con el tiempo, por lo que debe prevalecer la información más reciente de los editores y las plataformas.