Phonon TTS 公開2週間後の詳細:CPUストリーミングの初音声で首位、Apache 2.0は英語版のみ
Hugging Faceブログに2026年11月5日に掲載されたGradiumチームの記事によると、オンデバイスTTSモデルPhononの公開詳細が改めて説明された。31mの英語版はApache 2.0、40mの5言語版はCC BY-NCで、ドイツ語とスペイン語の了解度で1位、CPUストリーミングの初音声時間でも首位と主張し、Transformers 5.21への統合とptts推論経路も示している。

主な変更
2026年11月5日公開のこの記事は、2週間前にオープンウェイトで公開されたオンデバイス音声モデルPhononについて、Gradiumが振り返ったものだ。チームによれば、Phononには約65MBと約75MBの2サイズがあり、合わせて英語、フランス語、ドイツ語、スペイン語、ポルトガル語をカバーする。内蔵音声は100種類超で、Gradium Studioでカスタム音声を作成でき、電話番号や日付、コードなど読み間違えられやすい断片も処理できるという。ライセンスは2つに分かれる。英語のPhonon 31mはApache 2.0で商用製品に利用可能、5言語をカバーするPhonon 40mはCC BY-NCで非商用プロジェクトは無償、商用ライセンスはユーザー数に応じた課金となる。モデルはPocket TTSの系譜を引き、flow matchingで音声を生成する。チームは学習初期に数値が不安定になり、5言語で高品質な結果を得るにはいくつかの工夫が必要だったと述べている。記事はHugging FaceのオープンTTSリーダーボードでの成績も挙げる。ドイツ語とスペイン語の了解度で1位、評価した各言語で3位以内、CPUストリーミングベンチマークの初音声時間で首位で、図には31m英語版28ミリ秒、40m英語版38ミリ秒、Pocket TTS 165ミリ秒という第95パーセンタイル値が示されている。統合面では、PhononはTransformers 5.21以降に参照PyTorch実装として加わり、マルチデバイスバックエンド向けに設計されたptts推論フレームワークが別途あり、CPU、GPU、NPUの十数種のバックエンドを支える。音声は録音ではなく事前計算された話者潜在変数のテンソルで、gradium/phonon-voicesリポジトリで提供され、音声トークナイザはデコーダのみの形で公開された。チームは公開後2週間で20万回超ダウンロードされたとし、ブラウザ内ExecuTorch変換やNode.js側のMicdrop統合などのコミュニティプロジェクトにも触れている。
開発者への影響
以下は上記報道に基づく分析であり、検証済みの事実ではない。開発者への影響は主に3点に集約される。第一に、ライセンスがバージョンごとに分かれるため、バージョンの選び間違いはモデルの選び間違いより収拾が難しい。英語のみで商用なら明確なライセンスを持つ31m、ドイツ語・フランス語・スペイン語・ポルトガル語の出力が必要なら40mのCC BY-NCはウェイトをダウンロードできても商用は制限され、商用ライセンスはユーザー数課金なので公開直前に詰めず事前に交渉する必要がある。第二に、同じウェイトに2つの推論形態がある。デバイス上の逐次対話はpttsの単一ストリーム、オフラインのバッチ合成はTransformersのバッチ生成と全グラフコンパイルで、これは場面の分担であり相互代替ではない。選び間違えると遅延かスループットのどちらかで明確に不利になる。第三に、音声は事前計算テンソルとして提供され、公開済みトークナイザはデコードのみで自分の音声を直接エンコードできない。カスタム音声はGradium Studioの手続きと話者の同意が必要で、音声資産の管理は従来の「録音をアップロードする」経路とは異なる。強調すべきは、リーダーボードの順位とミリ秒値はベンダー記事および特定のストリーミングCPU条件下の測定であり、具体的なスマートフォン、ブラウザ、シングルボードで再現するとは限らない。
導入と評価の提案
以下は条件付きの提案であり、検証済みの結論ではない。提案1:まず言語とライセンスでバージョンを切り分ける。判別可能な基準は、業務の固定文セット(電話番号、日付、コードを含む)で認識ループを行い、31mと40mの対象言語での単語誤り率をそれぞれ集計し、配布するバージョンのライセンスファイルを確認することだ。英語のみで商用なら31mを測れば進められるが、対象言語にドイツ語・フランス語・スペイン語・ポルトガル語が含まれるなら商用ライセンス経路を先に明確にしてから統合に着手すべきだ。40mの非商用ライセンスは公開段階で直接支障となるため、この条件が選定順序全体を決める。提案2:遅延かスループットかで推論経路を選ぶ。デバイス上で逐次読み上げ、ユーザーが初音声を待つ製品ならpttsを選び、対象機種での第95パーセンタイル初音声遅延を合格指標とし、記事のリーダーボード値は参考ベースラインにとどめる。オフラインで音声データセットをバッチ生成するならTransformers経路に変え、合格指標を固定ハードウェアでの毎秒生成サンプル数とメモリ使用量に替え、バッチと全グラフコンパイルを有効にして再測定する。両経路は最適化目標がそもそも逆だからだ。提案3:音声を外部生成が必要な資産として管理する。カスタム音声が必要なら、Gradium Studioのクローンとテキスト設計の手続きが通るか、話者の同意チェーンが閉じるかを先に確認する。評価指標はリーダーボードの同種手法を用い、自社評価セットでクローン音声と内蔵音声の話者類似度を採点し、基準未達または同意チェーンが閉じない場合は内蔵音声に戻す。この前提の成否が独自音声を対外に約束できるかを決める。
制限と未確認事項
現在KimiSeekのオンラインモデルカタログにPhonon 31mもPhonon 40mも存在せず、本文中の可用性はすべてベンダー側、すなわちHugging Faceで公開されたウェイトとGradium Studioを指し、KimiSeek上のサービスではない。両バージョンがAPIとして開発者に提供されている証拠もない。リーダーボードの成績と28、38ミリ秒の初音声値はGradium自身の記事およびHugging Faceリーダーボードの特定のストリーミングCPU条件下の測定で、ベンダー側の主張であり、本文で独立に再現したものではない。記事は言語別の遅延分布、メモリ使用量曲線、長時間稼働の安定性データを示していない。40mのCC BY-NC制限と商用ライセンスの具体条件はベンダーに確認が必要だ。より小さいメモリ版への統合、韓国語・アラビア語・日本語対応、製品語彙での微調整はいずれも協議段階にとどまり、スケジュールはない。オープンウェイトはオープンソースライセンスではない。40mはウェイトが入手可能でもライセンスが非商用の例であり、31mのApache 2.0こそ商用利用可能なオープンライセンスに当たる。
元の報道の図版
