← Toutes les actualités

Phonon TTS, deux semaines après : première place du streaming CPU, Apache 2.0 réservé à l'anglais

Selon un article de l'équipe Gradium publié le 5 novembre 2026 sur le blog de Hugging Face, le modèle TTS embarqué Phonon complète les détails de son lancement : version anglaise 31m sous Apache 2.0, version 40m en cinq langues sous CC BY-NC, première place revendiquée en intelligibilité pour l'allemand et l'espagnol et sur le temps jusqu'au premier audio en streaming CPU, avec intégration à Transformers 5.21 et voie d'inférence ptts.

Publication Mise à jour
Image de couverture de l’article original — Phonon TTS, deux semaines après : première place du streaming CPU, Apache 2.0 réservé à l'anglais
Image de couverture de l’article originalArticle original ↗

Ce qui change

Cet article publié le 5 novembre 2026 est un retour de Gradium sur Phonon, modèle vocal embarqué aux poids ouverts deux semaines plus tôt. L'équipe indique deux tailles, environ 65 Mo et 75 Mo, couvrant ensemble l'anglais, le français, l'allemand, l'espagnol et le portugais, avec plus de 100 voix intégrées, la possibilité de créer des voix personnalisées dans Gradium Studio et la gestion de segments souvent mal lus comme les numéros de téléphone, les dates et le code. La licence est scindée : Phonon 31m, anglophone, est sous Apache 2.0 et utilisable dans des produits commerciaux ; Phonon 40m, qui couvre cinq langues, est sous CC BY-NC, gratuit pour les projets non commerciaux, avec une licence commerciale tarifée au nombre d'utilisateurs. Le modèle s'inscrit dans la lignée de Pocket TTS et génère l'audio par flow matching ; l'équipe indique que l'entraînement a d'abord été numériquement instable et a nécessité plusieurs astuces pour obtenir une qualité élevée dans les cinq langues. L'article cite aussi les résultats au classement ouvert TTS de Hugging Face : première place en intelligibilité pour l'allemand et l'espagnol, chaque langue évaluée dans le top trois, première place pour le temps jusqu'au premier audio sur le benchmark de streaming CPU, avec des chiffres au 95e centile de 28 ms pour la version anglaise 31m, 38 ms pour la version anglaise 40m et 165 ms pour Pocket TTS. Côté intégration, Phonon rejoint Transformers depuis la version 5.21 comme implémentation PyTorch de référence, avec en plus le cadre d'inférence ptts conçu pour les backends multi-appareils, prenant en charge une dizaine de backends CPU, GPU et NPU ; les voix ne sont pas des enregistrements mais des tenseurs de variables latentes de locuteur précalculés, fournis via le dépôt gradium/phonon-voices, et le tokenizer audio est publié en version décodeur seul. L'équipe revendique plus de 200 000 téléchargements lors des deux premières semaines et mentionne des projets communautaires comme la conversion ExecuTorch dans le navigateur et l'intégration Micdrop côté Node.js.

Conséquences pour les développeurs

L'analyse suivante s'appuie sur le rapport cité et ne constitue pas des faits vérifiés. L'effet pour les développeurs se concentre sur trois points. Premièrement, la licence se divise selon la version, et se tromper de version est plus difficile à rattraper que se tromper de modèle : pour un usage anglais et commercial uniquement, le 31m est celui dont la licence est explicite ; s'il faut produire de l'allemand, du français, de l'espagnol ou du portugais, le CC BY-NC du 40m signifie que les poids sont téléchargeables mais l'usage commercial restreint, la licence commerciale étant facturée au volume d'utilisateurs et devant être négociée en amont plutôt que complétée avant la mise en ligne. Deuxièmement, les mêmes poids ont deux formes d'inférence : l'interaction phrase par phrase sur l'appareil passe par le flux unitaire de ptts, la synthèse par lots hors ligne par la génération par lots de Transformers avec compilation complète du graphe ; ces deux voies sont complémentaires selon le scénario, et choisir la mauvaise pénalise nettement soit la latence, soit le débit. Troisièmement, les voix sont livrées sous forme de tenseurs précalculés, et le tokenizer publié ne fait que décoder, sans encoder directement vos propres audios ; une voix personnalisée passe donc par le parcours Gradium Studio avec le consentement du locuteur, et la gestion des actifs de voix diffère du parcours habituel consistant à téléverser un enregistrement. Il faut souligner que les places au classement et les chiffres en millisecondes proviennent de l'article du fournisseur et du classement, mesurés dans des conditions précises de streaming CPU, et ne se reproduiront pas forcément sur un téléphone, un navigateur ou une carte SBC donnés.

Intégration et évaluation

Les conseils ci-dessous sont conditionnels et non des conclusions vérifiées. Conseil 1 : séparer d'abord les versions selon la langue et la licence. Le critère mesurable est une boucle de reconnaissance sur un ensemble de phrases fixe de votre activité (numéros de téléphone, dates, code), en calculant séparément le taux d'erreur de mots du 31m et du 40m dans les langues cibles, et en vérifiant le fichier de licence de la version à distribuer ; si vous ne faites que de l'anglais commercial, tester le 31m suffit pour avancer, mais si les langues cibles incluent allemand, français, espagnol ou portugais, il faut d'abord clarifier la voie de licence commerciale avant d'investir dans l'intégration, car la licence non commerciale du 40m bloquera directement la publication, et cette condition détermine l'ordre de toute la sélection. Conseil 2 : choisir la voie d'inférence selon la priorité latence ou débit. Si le produit est une lecture phrase par phrase sur l'appareil avec attente du premier audio par l'utilisateur, choisissez ptts et fixez comme critère d'acceptation la latence au 95e centile jusqu'au premier audio sur le modèle cible, en ne prenant les chiffres du classement cités dans l'article que comme référence ; si vous voulez générer hors ligne des jeux de données vocales par lots, passez par Transformers, avec comme critères le nombre d'échantillons générés par seconde et l'occupation mémoire sur un matériel fixe, en remesurant après activation du mode par lots et de la compilation complète du graphe, car ces deux voies ont des objectifs d'optimisation opposés. Conseil 3 : gérer les voix comme des actifs générés en externe. Pour une voix personnalisée, vérifiez d'abord que le parcours de clonage et de conception textuelle de Gradium Studio fonctionne et que la chaîne de consentement du locuteur est bouclée ; comme indicateur, on peut s'inspirer des pratiques du classement et noter la similarité de locuteur entre voix clonée et voix intégrée sur votre jeu d'évaluation, en revenant aux voix intégrées si la similarité est insuffisante ou si le consentement n'est pas bouclé ; la validité de ce prérequis détermine si vous pouvez promettre une voix unique en externe.

Limites et points à confirmer

Le catalogue en ligne de KimiSeek ne contient actuellement ni Phonon 31m ni Phonon 40m ; les disponibilités mentionnées ici concernent le fournisseur, c'est-à-dire les poids publiés sur Hugging Face et Gradium Studio, et non un service sur KimiSeek ; rien n'indique non plus que ces deux versions soient proposées aux développeurs sous forme d'API. Les résultats au classement et les chiffres de 28 et 38 ms pour le premier audio proviennent de l'article de Gradium et du classement Hugging Face dans des conditions précises de streaming CPU, relèvent de la communication du fournisseur et n'ont pas été reproduits indépendamment ici. L'article ne fournit pas de distribution de latence par langue, de courbe d'occupation mémoire ni de données de stabilité sur longue durée ; les restrictions CC BY-NC du 40m et les clauses précises de la licence commerciale doivent être confirmées auprès du fournisseur ; la quantification vers une version à mémoire réduite, le support du coréen, de l'arabe et du japonais, ainsi que le fine-tuning sur le vocabulaire produit restent au stade de discussions, sans calendrier. Des poids ouverts ne valent pas licence open source : le 40m est justement l'exemple de poids disponibles sous licence non commerciale, seul l'Apache 2.0 du 31m constitue une licence ouverte autorisant l'usage commercial.

Illustrations de l’article original

Illustration de l’article original 1 — Phonon TTS, deux semaines après : première place du streaming CPU, Apache 2.0 réservé à l'anglais
Illustration de l’article original 1Article original ↗

Trois minutes jusqu’au premier appel

Créez un compte et une clé API. Le coût des appels est déduit de votre solde. 30 % de réduction sur la première recharge. Rechargez ¥500, payez ¥350, recevez ¥500 de crédit. Rechargez ¥1000, payez ¥850, recevez ¥1000 de crédit Vous pouvez toujours commencer par une recharge d’essai de ¥10.

Sources et méthode éditoriale

深入了解 Phonon TTS:发布在基准测试中登顶的高质量端侧语音

L’IA a assisté l’analyse et la traduction des sources citées, suivies de contrôles automatiques. Les conseils ne sont pas des résultats de tests. Consultez le catalogue actuel pour les prix et la disponibilité.