Gradium、端末向けTTSモデルPhononを公開：英語31M版はApache 2.0、64.5MBでオフライン動作

MarkTechPostが2026年10月22日に報じたところによると、Gradiumは端末向けTTSモデル群Phononを公開した。英語のPhonon 31mは31Mパラメータ、q8量子化で64.5MB、Apache 2.0ライセンス。ベンダー自社評価では困難文セットのWERが1.70%、MacBook Air M5のCPUで最初の音声まで6.9ミリ秒とされる。

公開 2026/10/22更新 2026/10/24

主な変更

MarkTechPostが2026年10月22日に報じたところによると、Kyutaiからスピンアウトしたパリの音声企業Gradiumが、端末向けテキスト読み上げモデル群Phononを公開した。このモデル群には3つが含まれる。英語専用のPhonon 31mは31Mパラメータ（音声トークナイザを除く）、q8 GGUFで64.5MB、24kHzモノラル出力、37種類の音色を内蔵し、Apache 2.0ライセンスを採用する。言語ごとに独立したPhonon 40m（英語、フランス語、ドイツ語、スペイン語、ポルトガル語）は74.6MB。5言語を単一モデルに収め、102種類の音色を提供するPhonon 40m多言語版もある。後者2つはCC BY-NC 4.0の非商用ライセンスである。アーキテクチャ面では、Phononは因果的transformerバックボーンを採用し、テキストと話者埋め込みをプレフィックスとして連結する。4000語彙のSentencePieceトークナイザで生テキストを直接読み込み、音素変換は行わない。バックボーンは80msフレームごとに潜在ベクトルを1つ出力し、flow-matchingヘッドが1ステップで音声埋め込みに変換、さらにKyutai Mimiデコーダの縮小版が24kHz PCMを出力する。停止判定は独立した音声終了ヘッドが担う。Phonon 31mは6層、幅512、8アテンションヘッドで、40mは9層で同じ幅。どちらもより大きなPhonon教師モデルから蒸留され、NVIDIA H100クラスタで学習された。この仕事はKyutaiの連続音声言語モデル研究とPocket TTSの上に成り立っている。ベンダーが公表した性能値は次の通り。1189名の評価者、17270票のブラインドテストで、米国英語のPhonon 40mは2117 Elo、Phonon 31mは2098、Kokoroは2043だった。公開困難文セット（各言語500文、電話番号、メールアドレス、郵便番号を含む）ではPhonon 31mのWERが1.70%、Kokoroが3.50%、NeuTTS Nanoが8.71%だった。より易しいSeed-TTSセットでは差が縮まり、Phonon 31mのLLM WERは0.51%で、むしろKokoroの0.45%をわずかに上回った（性能が下回った）。速度面では、4スレッドのMacBook Air M5 CPUで最初の音声まで6.9ミリ秒、約29.9倍リアルタイム（Arm KleidiAIとApple Accelerate併用で46.7倍）、Raspberry Pi 5で38ミリ秒起動、3.7倍リアルタイム、Snapdragon 8 Elite Gen 5で7.5ミリ秒、24倍リアルタイム、NVIDIA L40SでCUDA 5ミリ秒、AMD EPYC 7413 CPUで43ミリ秒とされる。ランタイムはMITまたはApache-2.0ライセンスで、Rust、Python（pip install ptts）、Swift、C、C++、ブラウザ（phonon-tts）に対応する。OpenAI互換サーバとWebSocketサーバも提供する。モデルはTransformers、MLX-Audio、Ollama、LM Studioで読み込める。音声クローンと音声設計はGradium Studioで行い、その後ローカルで実行する。

開発者への影響

開発者にとっての実質的な価値は、英語TTSを文字数課金のクラウド呼び出しから、アプリに同梱して配布できるローカルコンポーネントに変える点にある。31Mパラメータ、q8量子化で64.5MBというサイズは、業務コードと一緒にモバイルアプリのインストールパッケージやブラウザ資産に組み込めることを意味し、ネットワーク往復に依存せず、GPU予算も消費しない。ストリーミング性能は6.9ミリ秒級の初回音声をもたらし、リアルタイム対話やインタラクティブ読み上げのように初回遅延に敏感な場面を純CPUで実現可能にする。ただし3点に注意が必要だ。第一に、Apache 2.0が対象とするのは英語のPhonon 31mのみで、40mと40m多言語版はCC BY-NC 4.0である。商用製品では多言語能力を同一ライセンス下の無償拡張として扱えない。フランス語やドイツ語などが必要なら、別途ライセンスを求めるか、他の手段を継続使用する必要がある。第二に、報道中のElo、WER、速度の数値はいずれもGradiumの自社評価に由来し、評価セットと比較対象はベンダーが選んでいる。困難文セットではWERが低いほど良いため、Phonon 31mの1.70%はKokoroの3.50%より優れるという優位であり、これは主に内蔵テキスト正規化に帰属される。一方、より通常のSeed-TTSセットではむしろPhonon 31mがKokoroにわずかに及ばない。これは優位が電話番号、メールアドレス、郵便番号といった構造化テキストに集中していることを示し、全面的な優位に一般化すべきではない。第三に、量子化サイズ、マルチスレッド遅延、スループットは具体的なハードウェア、スレッド数、ランタイムバックエンドに強く依存し、同じモデルでもCPUやバインド方法が異なれば挙動は大きく変わりうる。報道の単一点の数値は桁感の参考に留めるべきである。

導入と評価の提案

次の2つの条件付き判断で進めることを勧める。第一に、製品の主目的が英語のオフライン再生で、配備環境がCPUまたはスマートフォンなら、Phonon 31mをクラウドTTSの代替候補として直接検討する。まずライセンス範囲が英語31mのみに適用されることを確認し、対象デバイスでq8重みによる実測を行う。評価基準は、対象機種で固定スレッド数を指定して実際の業務テキスト群を走らせ、初回音声遅延のP50とP95を測り、既存クラウド案のエンドツーエンド遅延（ネットワーク含む）と比較すること。P95の初回音声が許容閾値に達しなければクラウド案に戻す。第二に、製品が多言語を要する場合は、40m多言語版を非商用オプションとして別立ての検討項目にする。ビジネスモデルがCC BY-NCを許容すると確認できるまでは、内部プロトタイプのみに使う。評価基準は、困難文データセットの多言語サンプルで各言語のWERと音色の自然さの主観スコアを比較し、同時にライセンスが配布要件を満たすか記録すること。どちらかが基準を満たさなければ既存ベンダーを維持する。第三に、どちらの経路でも、まずテキスト正規化の対照テストを行うことを勧める。電話番号、メールアドレス、郵便番号、金額などの構造化テキストを固定ケース集として抽出し、内蔵正規化を備えるPhononと自前の前処理が必要な案で同じテキスト群を走らせ、誤り率を比較する。報道がこの部分を差の主要因と明確に指摘しているためだ。自社の正規化が既に十分良ければPhononのこの優位は相殺され、選定は遅延とサイズに移る。第四に、ランタイムバックエンドも評価変数に含めることを勧める。通常のCPU経路と、Arm KleidiAIやApple Accelerateなどの加速ライブラリを有効にした版を比較し、対象チップで桁単位のスループット向上を再現できるか確認する。再現できなければ保守的な値で同時実行容量を計画し、セルフホスト時のWebSocketとOpenAI互換サーバの運用コストも事前に評価する。以上は報道に基づく推奨と条件分析であり、検証済みの事実ではない。

制限と未確認事項

報道中のElo、WER、遅延の数値はすべてGradiumの自社評価とプレスリリースに由来し、評価セット、比較対象、テスト条件はベンダーが選んでおり、第三者による独立再現はない。Seed-TTSセットでPhonon 31mがむしろKokoroに後れを取る点も、優位が条件付きであることを示す。ライセンス面では英語のPhonon 31mがApache 2.0、40mと多言語版がCC BY-NC 4.0であることのみ確認されている。オープンウェイトは自由な商用利用を意味しないため、選定前に重みがダウンロード可能というだけでなく各モデルカードの原文を確認してライセンスを判断すべきである。また、Phonon 31mおよびPhononシリーズ全体は現時点でKimiSeekのリアルタイムモデルカタログに存在しない。本稿が引用する可用性、ライセンス、性能情報はGradiumとその報道に由来し、KimiSeekプラットフォームとは無関係であり、同プラットフォームがこのモデルや関連APIを提供することを意味しない。各社の価格とライセンス条項は時間とともに変わりうるため、発行元とプラットフォームの最新ページを参照されたい。