Gradium ouvre les poids de Phonon, famille TTS embarquée : version anglaise 31m sous Apache 2.0, 64,5 Mo exécutable hors ligne
Selon un article de MarkTechPost du 22 octobre 2026, Gradium a publié en open weights la famille de modèles TTS embarqués Phonon, incluant Phonon 31m pour l'anglais avec 31 M de paramètres, des poids q8 de 64,5 Mo et une licence Apache 2.0 ; sur un jeu de phrases difficiles évalué par le fournisseur, le WER atteint 1,70 % et le premier échantillon audio est produit en 6,9 ms sur un CPU de MacBook Air M5.
Ce qui change
Selon un article de MarkTechPost du 22 octobre 2026, Gradium, société parisienne de synthèse vocale issue d'une scission de Kyutai, a publié en open weights la famille de modèles de synthèse vocale (TTS) embarqués Phonon. Cette famille comprend trois modèles : Phonon 31m, uniquement anglais, avec 31 M de paramètres (hors tokenizer audio), 64,5 Mo en q8 GGUF, une sortie mono à 24 kHz, 37 voix intégrées et une licence Apache 2.0 ; Phonon 40m, décliné par langue (anglais, français, allemand, espagnol, portugais), à 74,6 Mo ; et une version multilingue Phonon 40m regroupant les cinq langues dans un seul modèle avec 102 voix. Les deux derniers sont sous licence CC BY-NC 4.0, non commerciale. Côté architecture, Phonon utilise un squelette transformer causal, concatène en préfixe le texte et les embeddings de locuteur, et s'appuie sur un tokenizer SentencePiece à vocabulaire de 4000 unités qui lit directement le texte brut sans conversion phonétique ; le squelette produit un vecteur latent par trame de 80 ms, une tête flow-matching le convertit en une seule étape en embedding audio, puis une variante réduite du décodeur Kyutai Mimi génère du PCM à 24 kHz, une tête distincte de fin de parole décidant de l'arrêt. Phonon 31m comporte 6 couches, une largeur de 512 et 8 têtes d'attention ; le 40m compte 9 couches de même largeur ; les deux sont distillés à partir d'un modèle enseignant Phonon plus grand, l'entraînement ayant été réalisé sur un cluster de NVIDIA H100, et les travaux s'appuient sur la recherche de Kyutai sur les modèles de langage audio continus et sur Pocket TTS. Les chiffres de performance publiés par le fournisseur incluent : dans un test à l'aveugle avec 1189 évaluateurs et 17270 votes, Phonon 40m pour l'anglais américain obtient 2117 Elo, Phonon 31m 2098, et Kokoro 2043 ; sur un jeu public de phrases difficiles (500 phrases par langue, incluant numéros de téléphone, e-mails et codes postaux), le WER de Phonon 31m est de 1,70 %, celui de Kokoro de 3,50 %, et celui de NeuTTS Nano de 8,71 % ; sur le jeu plus facile Seed-TTS, l'écart se réduit, le WER LLM de Phonon 31m étant de 0,51 %, légèrement supérieur à celui de Kokoro à 0,45 %. En vitesse, sur un CPU de MacBook Air M5 à 4 threads, le premier audio arrive en 6,9 ms, soit environ 29,9 fois le temps réel (jusqu'à 46,7 fois avec Arm KleidiAI et Apple Accelerate) ; sur Raspberry Pi 5, 38 ms de démarrage et 3,7 fois le temps réel ; sur Snapdragon 8 Elite Gen 5, 7,5 ms et 24 fois le temps réel ; sur NVIDIA L40S, 5 ms avec CUDA ; sur CPU AMD EPYC 7413, 43 ms. Le runtime est sous licence MIT ou Apache-2.0 et couvre Rust, Python (pip install ptts), Swift, C, C++ et navigateur (phonon-tts), avec un serveur compatible OpenAI et un serveur WebSocket ; les modèles peuvent être chargés dans Transformers, MLX-Audio, Ollama et LM Studio, le clonage et la conception de voix s'effectuant dans Gradium Studio avant exécution locale.
Conséquences pour les développeurs
Pour les développeurs, l'intérêt pratique de cette annonce est de faire passer la synthèse vocale anglaise d'un appel cloud facturé au caractère à un composant local distribuable avec l'application. La taille de 31 M de paramètres et de 64,5 Mo en q8 signifie qu'il peut être intégré au code métier dans un paquet d'installation mobile ou une ressource navigateur, sans dépendre d'un aller-retour réseau et sans consommer de budget GPU ; le streaming permet un premier audio de l'ordre de 6,9 ms, rendant envisageables sur CPU pur des scénarios sensibles à la latence du premier mot, comme le dialogue en temps réel ou la lecture interactive. Trois points méritent toutefois attention. Premièrement, Apache 2.0 ne couvre que Phonon 31m anglais ; les 40m et 40m multilingue sont sous CC BY-NC 4.0, un produit commercial ne peut donc pas considérer la capacité multilingue comme une extension gratuite sous la même autorisation : s'il faut du français, de l'allemand, etc., il faut soit obtenir une licence séparée, soit recourir à d'autres solutions. Deuxièmement, les chiffres d'Elo, de WER et de vitesse rapportés proviennent tous d'évaluations internes de Gradium, avec des jeux de test et des concurrents choisis par le fournisseur ; l'avance du WER de 1,70 % contre 3,50 % pour Kokoro sur les phrases difficiles est principalement attribuée à la normalisation de texte intégrée, alors que sur le jeu plus conventionnel Seed-TTS, Phonon 31m est légèrement en retrait par rapport à Kokoro, ce qui indique que l'avantage se concentre sur les textes structurés comme les numéros de téléphone, e-mails et codes postaux, et ne doit pas être extrapolé à une supériorité globale. Troisièmement, la taille quantifiée, la latence multithread et le débit dépendent fortement du matériel, du nombre de threads et du backend d'exécution ; un même modèle peut se comporter très différemment selon le CPU et la méthode d'affinité, et les chiffres ponctuels rapportés ne valent que comme ordre de grandeur.
Intégration et évaluation
Il est recommandé de procéder selon les deux décisions conditionnelles suivantes. Premièrement, si le besoin principal est une annonce hors ligne en anglais sur CPU ou téléphone, il est conseillé de considérer directement Phonon 31m comme candidat au remplacement d'un TTS cloud : vérifier d'abord que la licence ne couvre que le 31m anglais, puis tester réellement les poids q8 sur l'appareil cible. Le critère d'évaluation peut être le suivant : exécuter sur la machine cible, avec un nombre de threads fixé, un lot de textes métier réels, mesurer le P50 et le P95 de la latence du premier audio, et comparer à la latence de bout en bout (réseau inclus) de la solution cloud existante ; si le P95 du premier audio n'atteint pas un seuil acceptable, revenir à la solution cloud. Deuxièmement, si le produit nécessite le multilingue, il est conseillé de traiter la version 40m multilingue comme une option non commerciale dans un projet distinct : tant que le modèle économique n'autorise pas clairement CC BY-NC, ne l'utiliser que pour des prototypes internes. Le critère d'évaluation peut être le suivant : comparer le WER par langue et les scores subjectifs de naturel des voix sur des échantillons multilingues du jeu de phrases difficiles, tout en vérifiant que la licence satisfait les exigences de distribution ; si l'un des deux critères n'est pas rempli, conserver le fournisseur actuel. Troisièmement, quelle que soit la voie choisie, il est conseillé de réaliser d'abord un test comparatif de normalisation de texte : extraire les textes structurés (numéros de téléphone, e-mails, codes postaux, montants, etc.) en un jeu de cas fixes, puis faire tourner le même lot de textes avec Phonon et sa normalisation intégrée d'un côté, et une solution nécessitant un prétraitement maison de l'autre, et comparer les taux d'erreur, car l'article indique explicitement que c'est la principale source d'écart ; si une normalisation maison est déjà suffisamment bonne, cet avantage de Phonon s'annule et le choix doit se porter sur la latence et la taille. Quatrièmement, il est conseillé d'intégrer aussi le backend d'exécution comme variable d'évaluation : comparer le chemin CPU ordinaire et les versions activant des bibliothèques d'accélération comme Arm KleidiAI ou Apple Accelerate, vérifier si un gain de débit d'un ordre de grandeur est reproductible sur la puce cible ; s'il ne l'est pas, planifier la capacité de concurrence sur une valeur prudente, et évaluer par avance le coût d'exploitation du serveur WebSocket et du serveur compatible OpenAI en auto-hébergement. Ces éléments sont des recommandations et analyses conditionnelles fondées sur l'article, et non des faits vérifiés.
Limites et points à confirmer
Les chiffres d'Elo, de WER et de latence rapportés proviennent tous d'évaluations internes et de communiqués de Gradium ; les jeux de test, les concurrents et les conditions de mesure ont été choisis par le fournisseur, sans reproduction indépendante par un tiers, et le fait que Phonon 31m soit en retrait par rapport à Kokoro sur le jeu Seed-TTS montre que l'avantage est conditionnel. Concernant les licences, il est seulement confirmé que Phonon 31m anglais est sous Apache 2.0 et que les 40m et version multilingue sont sous CC BY-NC 4.0 ; des poids ouverts ne signifient pas une utilisation commerciale libre, et il convient de vérifier le texte original de chaque fiche de modèle avant de choisir, plutôt que de déduire les droits de la seule disponibilité des poids. Par ailleurs, Phonon 31m et l'ensemble de la série Phonon n'apparaissent pas dans le catalogue de modèles en temps réel de KimiSeek ; les informations de disponibilité, de licence et de performance citées ici proviennent de Gradium et de l'article qui les rapporte, sont sans lien avec la plateforme KimiSeek et ne signifient pas que cette plateforme propose ce modèle ou une API associée ; les prix et conditions de licence de chaque partie pouvant évoluer, il convient de se référer aux pages les plus récentes de l'éditeur et de la plateforme.