Phonon TTS duas semanas depois: primeiro áudio em streaming em CPU no topo, Apache 2.0 cobre apenas a versão em inglês
Segundo artigo da equipe Gradium no blog do Hugging Face, datado de 5 de novembro de 2026, o modelo TTS de dispositivo Phonon divulgou detalhes do lançamento: versão de 31m em inglês sob Apache 2.0, versão de 40m em cinco idiomas sob CC BY-NC, alegando primeiro lugar em inteligibilidade em alemão e espanhol e no tempo até o primeiro áudio em streaming em CPU, além da integração com Transformers 5.21 e o caminho de inferência ptts.

O que mudou
O artigo, publicado em 5 de novembro de 2026, é um balanço da Gradium sobre o Phonon, modelo de voz de dispositivo cujos pesos foram abertos duas semanas antes. A equipe afirma que o Phonon tem dois tamanhos, cerca de 65 MB e 75 MB, que juntos cobrem inglês, francês, alemão, espanhol e português, com mais de 100 timbres embutidos, criação de timbres personalizados no Gradium Studio e tratamento de trechos frequentemente mal lidos, como números de telefone, datas e código. A licença é dividida em duas: o Phonon 31m, que fala inglês, usa Apache 2.0 e pode ser usado em produtos comerciais; o Phonon 40m, que cobre cinco idiomas, usa CC BY-NC, gratuito para projetos não comerciais, com licenciamento comercial precificado por número de usuários. O modelo segue a linhagem do Pocket TTS e gera áudio por flow matching; a equipe relata instabilidade numérica no início do treinamento, exigindo várias técnicas para obter alta qualidade nos cinco idiomas. O artigo também lista o desempenho no ranking aberto de TTS do Hugging Face: primeiro lugar em inteligibilidade em alemão e espanhol, presença no top três em todos os idiomas avaliados, e primeiro lugar em tempo até o primeiro áudio no benchmark de streaming em CPU, com números de percentil 95 de 28 ms para o 31m em inglês, 38 ms para o 40m em inglês e 165 ms para o Pocket TTS. Na integração, o Phonon entra a partir do Transformers 5.21 como implementação de referência em PyTorch, além do framework de inferência ptts, voltado a backends multi-dispositivo, com suporte a mais de dez backends em CPU, GPU e NPU; os timbres não são gravações, mas tensores de variáveis latentes de locutor pré-calculados, fornecidos no repositório gradium/phonon-voices, e o tokenizer de áudio é publicado apenas na forma decodificadora. A equipe cita mais de 200 mil downloads nas duas primeiras semanas e projetos da comunidade, como a conversão para ExecuTorch no navegador e a integração Micdrop no Node.js.
Impacto para desenvolvedores
A análise a seguir se baseia no relato acima e não constitui fato verificado. O impacto para desenvolvedores se concentra em três pontos. Primeiro, a licença se divide por versão, e errar a versão é mais difícil de corrigir do que errar o modelo: para uso apenas em inglês e comercial, o 31m é a versão com licença clara; para saída em alemão, francês, espanhol e português, o CC BY-NC do 40m significa que os pesos podem ser baixados, mas o uso comercial é restrito, com licenciamento comercial precificado por usuários, o que exige negociação prévia e não regularização às vésperas do lançamento. Segundo, os mesmos pesos aparecem em duas formas de inferência: interação frase a frase no dispositivo usa o fluxo único do ptts, enquanto a síntese em lote offline usa a geração em lote e a compilação de grafo completo do Transformers; são divisões por cenário, não substitutos entre si, e a escolha errada penaliza claramente latência ou vazão. Terceiro, os timbres são entregues como tensores pré-calculados, e o tokenizer publicado só decodifica, não codifica diretamente seu próprio áudio; portanto, timbres personalizados passam pelo fluxo do Gradium Studio e exigem consentimento do locutor, o que muda a gestão de ativos de voz em relação ao caminho anterior de enviar uma gravação. Vale ressaltar que as posições no ranking e os números em milissegundos vêm do artigo do fabricante e de medições do ranking em condições específicas de CPU em streaming, e podem não se repetir em um celular, navegador ou placa específica.
Integração e avaliação
As sugestões a seguir são condicionais e não conclusões verificadas. Sugestão 1: separe primeiro as versões por idioma e licença. O critério testável é fazer um ciclo de reconhecimento com um conjunto fixo de frases do seu negócio, incluindo números de telefone, datas e código, medindo a taxa de erro de palavra do 31m e do 40m nos idiomas-alvo, e conferir o arquivo de licença da versão a ser distribuída; se o uso for apenas em inglês e comercial, basta testar o 31m e avançar, mas se os idiomas-alvo incluírem alemão, francês, espanhol e português, é preciso negociar o caminho de licenciamento comercial antes de investir na integração, porque a licença não comercial do 40m trava diretamente a etapa de lançamento, e essa condição define toda a ordem de seleção. Sugestão 2: escolha o caminho de inferência por latência ou por vazão. Se o produto for leitura frase a frase no dispositivo, com o usuário esperando o primeiro áudio, use o ptts e adote a latência de primeiro áudio no percentil 95 no aparelho-alvo como critério de aceitação, tratando os números do ranking no artigo apenas como linha de base de referência; se o objetivo for gerar offline um conjunto de dados de voz em lote, use o caminho do Transformers, trocando o critério para amostras por segundo e uso de memória de vídeo em hardware fixo, medindo novamente após ativar o lote e a compilação de grafo completo, porque os objetivos de otimização desses dois caminhos são opostos. Sugestão 3: trate os timbres como ativos que precisam ser gerados externamente. Para timbres personalizados, confirme primeiro se os fluxos de clonagem e design por texto do Gradium Studio funcionam e se a cadeia de consentimento do locutor se fecha; como métrica, use uma abordagem semelhante à do ranking para pontuar a similaridade de locutor entre timbres clonados e embutidos no seu conjunto de avaliação, e, se a similaridade não atingir o alvo ou a cadeia de consentimento não fechar, volte aos timbres embutidos; essa premissa define se você pode prometer um timbre exclusivo ao público.
Limites e pontos a confirmar
No momento, o catálogo online do KimiSeek não inclui o Phonon 31m nem o Phonon 40m; as menções de disponibilidade neste artigo se referem ao lado do fabricante, ou seja, aos pesos publicados no Hugging Face e ao Gradium Studio, não a um serviço no KimiSeek; também não há evidência de que essas duas versões já estejam disponíveis como API para desenvolvedores. Os resultados no ranking e os números de 28 e 38 ms de primeiro áudio vêm do artigo da própria Gradium e de medições do ranking do Hugging Face em condições específicas de CPU em streaming, são declarações do fabricante e não foram reproduzidos de forma independente neste artigo. O artigo não traz distribuições de latência por idioma, curvas de uso de memória nem dados de estabilidade em execução prolongada; os termos específicos da restrição CC BY-NC do 40m e do licenciamento comercial precisam ser confirmados com o fabricante; a quantização para versões de menor memória, o suporte a coreano, árabe e japonês e o ajuste fino com vocabulário de produto permanecem apenas em conversas, sem cronograma. Pesos abertos não equivalem a licença de código aberto: o 40m é justamente o exemplo de pesos disponíveis com licença não comercial, e só o Apache 2.0 do 31m é uma licença aberta que permite uso comercial.
Ilustrações da notícia original
