Phonon TTS dos semanas después: el 31m inglés lidera el primer audio en streaming por CPU y su licencia Apache 2.0 solo cubre esa versión
Según un artículo del equipo de Gradium publicado el 5 de noviembre de 2026 en el blog de Hugging Face, el modelo TTS para dispositivo Phonon detalla su lanzamiento: la versión inglesa de 31m usa Apache 2.0 y la versión multilingüe de 40m usa CC BY-NC; afirman el primer puesto en inteligibilidad de alemán y español y en tiempo hasta el primer audio en streaming por CPU, e indican la integración con Transformers 5.21 y la ruta de inferencia ptts.

Qué ha cambiado
Este artículo, publicado el 5 de noviembre de 2026, es la revisión de Gradium sobre Phonon, el modelo de voz para dispositivo cuyos pesos abrieron dos semanas antes. El equipo afirma que Phonon tiene dos tamaños, de unos 65 MB y 75 MB, que en conjunto cubren inglés, francés, alemán, español y portugués, con más de 100 voces integradas, posibilidad de crear voces personalizadas en Gradium Studio y capacidad de manejar fragmentos que suelen leerse mal, como números de teléfono, fechas y código. La licencia se divide en dos: Phonon 31m, que habla inglés, usa Apache 2.0 y puede emplearse en productos comerciales; Phonon 40m, que cubre cinco idiomas, usa CC BY-NC, es gratuito para proyectos no comerciales y la licencia comercial se factura según el número de usuarios. El modelo continúa la línea de Pocket TTS y genera audio mediante flow matching; el equipo señala que el entrenamiento era numéricamente inestable al principio y requirió varias técnicas para lograr alta calidad en los cinco idiomas. El artículo también enumera los resultados en la clasificación abierta de TTS de Hugging Face: primer puesto en inteligibilidad de alemán y español, entre los tres primeros en cada idioma evaluado y primer puesto en tiempo hasta el primer audio en la referencia de streaming por CPU; las cifras del percentil 95 que acompañan son 28 ms para la versión inglesa de 31m, 38 ms para la de 40m y 165 ms para Pocket TTS. En cuanto a la integración, Phonon se incorpora desde Transformers 5.21 como implementación de referencia en PyTorch, y existe además el marco de inferencia ptts, diseñado para backends multidispositivo, que admite más de diez backends de CPU, GPU y NPU; las voces no son grabaciones sino tensores de variables latentes de hablante precalculados, distribuidos en el repositorio gradium/phonon-voices, y el tokenizer de audio se publica en forma solo decodificador. El equipo afirma más de 200 000 descargas en las dos primeras semanas y menciona proyectos de la comunidad como la conversión a ExecuTorch en el navegador y la integración de Micdrop en Node.js.
Impacto para desarrolladores
El siguiente análisis se basa en el reportaje citado y no constituye un hecho verificado. El impacto para los desarrolladores se concentra en tres puntos. Primero, la licencia se divide por versión, y elegir mal la versión es más difícil de corregir que elegir mal el modelo: si solo se hace inglés y se quiere uso comercial, el 31m es el que tiene una licencia clara; si se necesita salida en alemán, francés, español o portugués, el CC BY-NC del 40m significa que los pesos pueden descargarse pero el uso comercial está limitado, y la licencia comercial se factura por número de usuarios, por lo que hay que negociarla con antelación y no completarla antes del lanzamiento. Segundo, los mismos pesos admiten dos formas de inferencia: la interacción frase a frase en el dispositivo usa el flujo de una sola secuencia de ptts, y la síntesis por lotes sin conexión usa la generación por lotes y la compilación de grafo completo de Transformers; son una división de tareas, no sustitutos entre sí, y elegir mal perjudica claramente la latencia o el rendimiento. Tercero, las voces se entregan como tensores precalculados y el tokenizer publicado solo puede decodificar, no codificar directamente tu propio audio, por lo que las voces personalizadas deben pasar por el proceso de Gradium Studio y contar con el consentimiento del hablante; la gestión de los activos de voz difiere del camino anterior de «subir una grabación». Cabe insistir en que las posiciones en la clasificación y las cifras en milisegundos provienen del artículo del fabricante y de mediciones de la clasificación en condiciones específicas de streaming por CPU, y no necesariamente se reproducirán en un teléfono, navegador o placa concreta.
Integración y evaluación
Las siguientes son recomendaciones condicionales, no conclusiones verificadas. Recomendación uno: separar primero las versiones por idioma y licencia. Un criterio comprobable es hacer un bucle de reconocimiento con un conjunto fijo de frases de tu negocio (incluidos números de teléfono, fechas y código), medir por separado la tasa de error de palabra del 31m y el 40m en los idiomas objetivo y verificar el archivo de licencia de la versión que se va a distribuir; si solo haces inglés y quieres uso comercial, basta con probar el 31m y avanzar, pero si los idiomas objetivo incluyen alemán, francés, español o portugués, hay que negociar primero la vía de licencia comercial antes de invertir en la integración, porque la licencia no comercial del 40m bloqueará directamente la publicación, y esta condición determina todo el orden de selección. Recomendación dos: elegir la ruta de inferencia según la latencia o el rendimiento. Si el producto consiste en leer frase a frase en el dispositivo y el usuario espera el primer audio, elige ptts y fija como criterio de aceptación la latencia del percentil 95 del primer audio en el modelo de dispositivo objetivo, tomando las cifras de la clasificación del artículo solo como referencia; si lo que necesitas es generar un conjunto de datos de voz por lotes sin conexión, usa la ruta de Transformers, cambia el criterio de aceptación a muestras generadas por segundo y uso de memoria en hardware fijo, y vuelve a medir tras activar la generación por lotes y la compilación de grafo completo, porque los objetivos de optimización de ambas rutas son opuestos. Recomendación tres: gestionar las voces como activos que requieren generación externa. Si necesitas voces personalizadas, confirma primero si el proceso de clonación y diseño por texto de Gradium Studio funciona y si la cadena de consentimiento del hablante puede cerrarse; como métrica de evaluación puedes usar el mismo enfoque que la clasificación y puntuar la similitud de hablante entre las voces clonadas y las integradas en tu propio conjunto de evaluación; si la similitud no alcanza o la cadena de consentimiento no puede cerrarse, vuelve a las voces integradas, y esta premisa determina si puedes prometer al exterior una voz única.
Límites y cuestiones pendientes
Actualmente el catálogo de modelos en línea de KimiSeek no incluye Phonon 31m ni Phonon 40m; la disponibilidad mencionada en este artículo se refiere al lado del fabricante, es decir, los pesos publicados en Hugging Face y Gradium Studio, no a un servicio en KimiSeek; tampoco hay evidencia de que estas dos versiones se ofrezcan a los desarrolladores como API. Los resultados de la clasificación y las cifras de 28 y 38 ms de primer audio provienen del propio artículo de Gradium y de mediciones de la clasificación de Hugging Face en condiciones específicas de streaming por CPU, son cifras del fabricante y no se reprodujeron de forma independiente en este artículo. El artículo no ofrece distribuciones de latencia por idioma, curvas de uso de memoria ni datos de estabilidad en ejecución prolongada; los límites del CC BY-NC del 40m y los términos concretos de la licencia comercial deben confirmarse con el fabricante; la reducción a versiones de menor memoria, el soporte de coreano, árabe y japonés y el ajuste fino con el vocabulario del producto solo están en fase de conversación, sin calendario. Los pesos abiertos no equivalen a una licencia de código abierto: el 40m es precisamente el ejemplo de pesos disponibles con licencia no comercial, y solo el Apache 2.0 del 31m es una licencia abierta que permite uso comercial.
Ilustraciones de la noticia original
