Gradium lança família Phonon de TTS no dispositivo: versão inglesa de 31M sob Apache 2.0, 64,5 MB e execução offline
Segundo o MarkTechPost em 22 de outubro de 2026, a Gradium abriu a família Phonon de TTS no dispositivo, incluindo o Phonon 31m para inglês com 31M de parâmetros e pesos q8 de 64,5 MB sob licença Apache 2.0; nos testes próprios da empresa, WER de 1,70% em um conjunto de frases difíceis e 6,9 ms até o primeiro áudio em CPU de MacBook Air M5.
O que mudou
Segundo o MarkTechPost em 22 de outubro de 2026, a Gradium, empresa de voz de Paris separada da Kyutai, abriu a família de modelos de conversão de texto em fala (TTS) no dispositivo Phonon. A família inclui três modelos: o Phonon 31m, apenas para inglês, com 31M de parâmetros (sem o tokenizer de áudio), 64,5 MB em GGUF q8, saída mono de 24 kHz e 37 timbres embutidos, sob licença Apache 2.0; o Phonon 40m, separado por idioma (inglês, francês, alemão, espanhol, português), com 74,6 MB; e o Phonon 40m multilíngue, que reúne os cinco idiomas em um único modelo e oferece 102 timbres, ambos sob a licença não comercial CC BY-NC 4.0. Em arquitetura, o Phonon usa um backbone transformer causal, concatena prefixos de texto e embeddings de locutor, utiliza um tokenizer SentencePiece com vocabulário de 4000 itens para ler texto bruto diretamente, sem conversão para fonemas; o backbone emite um vetor latente a cada quadro de 80 ms, a cabeça de flow matching o converte em uma única etapa para embedding de áudio, e uma variante reduzida do decodificador Mimi, da Kyutai, produz PCM de 24 kHz, com uma cabeça separada de fim de fala para decidir a parada. O Phonon 31m tem 6 camadas, largura 512 e 8 cabeças de atenção; o 40m tem 9 camadas com a mesma largura; ambos são destilados de um modelo professor Phonon maior e foram treinados em clusters de NVIDIA H100, com o trabalho baseado na pesquisa da Kyutai em modelos de linguagem de áudio contínuo e no Pocket TTS. Os números de desempenho divulgados pela empresa incluem: em teste cego com 1189 avaliadores e 17270 votos, o inglês americano do Phonon 40m obteve 2117 Elo, o Phonon 31m 2098 e o Kokoro 2043; em um conjunto público de frases difíceis (500 frases por idioma, com telefone, e-mail e CEP), o WER do Phonon 31m foi 1,70%, o do Kokoro 3,50% e o do NeuTTS Nano 8,71%; no conjunto Seed-TTS, mais fácil, a diferença diminuiu, com o Phonon 31m obtendo LLM WER de 0,51%, ligeiramente acima do 0,45% do Kokoro. Em velocidade, em CPU de MacBook Air M5 com 4 threads, o primeiro áudio em 6,9 ms e cerca de 29,9 vezes o tempo real (com Arm KleidiAI e Apple Accelerate, até 46,7 vezes); no Raspberry Pi 5, 38 ms de inicialização e 3,7 vezes o tempo real; no Snapdragon 8 Elite Gen 5, 7,5 ms e 24 vezes o tempo real; em NVIDIA L40S com CUDA, 5 ms; em CPU AMD EPYC 7413, 43 ms. O runtime é licenciado sob MIT ou Apache-2.0 e cobre Rust, Python (pip install ptts), Swift, C, C++ e navegador (phonon-tts), além de servidor compatível com OpenAI e servidor WebSocket; os modelos podem ser carregados no Transformers, MLX-Audio, Ollama e LM Studio, e a clonagem e o design de voz são feitos no Gradium Studio para depois rodar localmente.
Impacto para desenvolvedores
Para desenvolvedores, o valor prático desta notícia está em transformar o TTS em inglês de uma chamada em nuvem cobrada por caractere em um componente local distribuível junto com o aplicativo. O tamanho de 31M de parâmetros e 64,5 MB em pesos q8 significa que ele pode ser empacotado com o código de negócio em um instalador móvel ou recurso de navegador, sem depender de ida e volta pela rede e sem consumir orçamento de GPU; a capacidade de streaming traz primeiro áudio na casa de 6,9 ms, tornando viáveis, apenas em CPU, cenários sensíveis à latência do primeiro caractere, como conversa em tempo real e leitura interativa. Mas é preciso observar três pontos: primeiro, a Apache 2.0 cobre apenas o Phonon 31m em inglês; o 40m e o 40m multilíngue são CC BY-NC 4.0, e produtos comerciais não podem tratar a capacidade multilíngue como extensão gratuita sob a mesma licença; se forem necessários francês, alemão e outros idiomas, é preciso buscar licenciamento separado ou continuar com outras soluções. Segundo, os números de Elo, WER e velocidade da reportagem vêm de avaliações internas da Gradium, com conjuntos e comparadores escolhidos pela empresa; a vantagem de WER 1,70% contra 3,50% do Kokoro no conjunto de frases difíceis é atribuída principalmente à normalização de texto embutida, e no conjunto Seed-TTS, mais convencional, o Phonon 31m fica ligeiramente atrás do Kokoro, o que indica que a vantagem se concentra em textos estruturados como números de telefone, e-mails e CEPs e não deve ser extrapolada como liderança ampla. Terceiro, o tamanho quantizado, a latência multithread e a vazão dependem fortemente do hardware, do número de threads e do backend de runtime; o mesmo modelo pode se comportar de forma bem diferente em CPUs distintas e com formas distintas de vinculação, e os números pontuais da reportagem servem apenas como referência de ordem de grandeza.
Integração e avaliação
Recomenda-se avançar com decisões condicionais em duas frentes. Primeiro, se a principal demanda do produto é narração offline em inglês e o ambiente de implantação é CPU ou celular, recomenda-se considerar diretamente o Phonon 31m como candidato a substituir o TTS em nuvem: primeiro confirmar que o escopo da licença se aplica apenas ao 31m em inglês e depois testar com pesos q8 no dispositivo alvo. O critério de avaliação pode ser: rodar um lote de textos reais de negócio no modelo alvo com número fixo de threads, medir o P50 e o P95 da latência do primeiro áudio e comparar com a latência ponta a ponta da solução em nuvem atual (incluindo rede); se o P95 do primeiro áudio não atingir o limite aceitável, voltar à solução em nuvem. Segundo, se o produto precisa de multilíngue, recomenda-se tratar o 40m multilíngue como opção não comercial em um projeto separado: antes de confirmar que o modelo de negócio permite CC BY-NC, usá-lo apenas em protótipo interno. O critério de avaliação pode ser: comparar WER por idioma e notas subjetivas de naturalidade de timbre usando amostras multilíngues do conjunto de frases difíceis, registrando se a licença atende aos requisitos de distribuição; se qualquer um dos dois não atender, manter o fornecedor atual. Terceiro, independentemente do caminho escolhido, recomenda-se fazer primeiro um teste comparativo de normalização de texto: extrair telefones, e-mails, CEPs, valores e outros textos estruturados para um conjunto fixo de casos e rodar o mesmo lote com o Phonon, que tem normalização embutida, e com soluções que exigem pré-processamento próprio, comparando as taxas de erro, porque a reportagem indica claramente que essa é a principal fonte da diferença; se a normalização própria já for suficientemente boa, essa vantagem do Phonon se anula e a escolha deve se voltar para latência e tamanho. Quarto, recomenda-se incluir o backend de runtime como variável na avaliação: comparar o caminho comum de CPU com versões que ativam bibliotecas de aceleração como Arm KleidiAI e Apple Accelerate, confirmar se é possível reproduzir no chip alvo o ganho de vazão de ordem de grandeza; se não for possível reproduzir, planejar a capacidade de concorrência com valores conservadores e avaliar antecipadamente o custo operacional do WebSocket e do servidor compatível com OpenAI em cenários de autohospedagem. Tudo acima são recomendações e análises condicionais baseadas na reportagem, não fatos verificados.
Limites e pontos a confirmar
Os números de Elo, WER e latência da reportagem vêm de avaliações internas e do comunicado da Gradium, com conjuntos de avaliação, comparadores e condições de teste escolhidos pela empresa, sem reprodução independente por terceiros; o fato de o Phonon 31m ficar atrás do Kokoro no conjunto Seed-TTS também mostra que a vantagem é condicional. Sobre licenças, confirma-se apenas que o Phonon 31m em inglês é Apache 2.0 e que o 40m e a versão multilíngue são CC BY-NC 4.0; pesos abertos não equivalem a uso comercial livre, e antes da escolha deve-se conferir o texto original de cada model card em vez de inferir a autorização apenas pela possibilidade de baixar os pesos. Além disso, o Phonon 31m e toda a série Phonon não aparecem no catálogo de modelos em tempo real do KimiSeek; as informações de disponibilidade, licença e desempenho citadas neste artigo vêm da Gradium e da reportagem, não têm relação com a plataforma KimiSeek e não significam que a plataforma ofereça esse modelo ou API relacionada; preços e termos de licença das partes podem mudar com o tempo, e deve-se consultar as páginas mais recentes do publicador e da plataforma.