← 全部模型资讯

Phonon TTS 发布两周后详解:CPU 流式首音登顶,Apache 2.0 只覆盖英语版

据 Hugging Face 博客 2026 年 11 月 5 日的 Gradium 团队文章,端侧 TTS 模型 Phonon 补发发布细节:31m 英语版 Apache 2.0、40m 五语版 CC BY-NC,自称德语与西班牙语可懂度第一、CPU 流式首音时间登顶,并给出 Transformers 5.21 集成与 ptts 推理路径。

发布 更新
原报道封面 — Phonon TTS 发布两周后详解:CPU 流式首音登顶,Apache 2.0 只覆盖英语版
原报道封面原始报道 ↗

发生了什么

这篇发布于 2026 年 11 月 5 日的文章,是 Gradium 对两周前开放权重的端侧语音模型 Phonon 的复盘。团队称 Phonon 有两个尺寸,约 65 MB 和 75 MB,合起来覆盖英语、法语、德语、西班牙语和葡萄牙语,内置音色超过 100 个,可在 Gradium Studio 中创建自定义音色,并能处理电话号码、日期与代码这类常被读错的片段。许可被拆成两半:说英语的 Phonon 31m 采用 Apache 2.0,可用于商业产品;覆盖五种语言的 Phonon 40m 采用 CC BY-NC,非商业项目免费,商业授权按用户数量计价。模型延续 Pocket TTS 一脉,用 flow matching 生成音频,团队称训练初期数值不稳定,需要若干技巧才在五种语言上取得高质量结果。文章还列出 Hugging Face 开放 TTS 排行榜的表现:德语与西班牙语可懂度排名第一,所评估的每种语言都进前三,CPU 流式基准的首音时间位居榜首,配图给出 31m 英语版 28 毫秒、40m 英语版 38 毫秒、Pocket TTS 165 毫秒的第 95 百分位数字。集成方面,Phonon 自 Transformers 5.21 起作为参考 PyTorch 实现加入,另有专为多设备后端设计的 ptts 推理框架,支持 CPU、GPU 与 NPU 十余种后端;音色不是录音而是预先算好的说话人潜变量张量,随 gradium/phonon-voices 仓库提供,音频 tokenizer 以仅解码器形式发布。团队称发布头两周下载量超过 20 万次,并提到浏览器内 ExecuTorch 转换、Node.js 侧的 Micdrop 集成等社区项目。

对开发者的影响

以下是基于上述报道的分析,不属于已验证事实。对开发者的影响集中在三处。第一,许可按版本分裂,选错版本比选错模型更难收场:只做英语且要商用,31m 是带明确许可的那个;需要德法西葡语输出,40m 的 CC BY-NC 意味着权重可以下载但商用受限,商业授权走用户量计价,需要提前谈而不是上线前补。第二,同一套权重出现两种推理形态,设备端逐句交互走 ptts 的单条流,离线批量合成走 Transformers 的批式生成与全图编译,二者是场景分工而非互相替代,选错会让延迟或吞吐之一明显吃亏。第三,音色以预计算张量形式交付,且已发布的 tokenizer 只能解码、不能直接编码你自己的音频,因此自定义音色要经过 Gradium Studio 流程并取得说话人同意,音色资产的管理方式与以往「上传一段录音」的路径不同。需要强调的是,排行榜名次与毫秒数字来自厂商文章与排行榜在特定流式 CPU 条件下的测量,换成具体手机、浏览器或单板机未必复现。

接入与评估建议

以下为条件性建议,不是已验证的结论。建议一:先按语言与许可把版本切干净。可测判据是用你业务里的固定句集(包含电话号码、日期、代码)做识别回环,分别统计 31m 与 40m 在目标语言上的词错误率,并核对将要分发版本的许可文件;如果你只做英语且要商用,测完 31m 即可推进,若目标语言含德法西葡,就必须先把商用授权路径谈清楚再投入集成,因为 40m 的非商业许可会直接卡在发布环节,这个条件决定了整个选型顺序。建议二:按延迟还是吞吐选推理路径。产品形态若是设备上逐句朗读、用户等待首音,选 ptts,并把目标机型上的第 95 百分位首音延迟设成验收指标,把文章里的排行榜数字只当参考基线;若你要的是离线批量生成语音数据集,改走 Transformers 路径,验收指标换成固定硬件上的每秒生成样本数与显存占用,并在开启批式与全图编译后复测,因为这两条路径的优化目标本身就相反。建议三:把音色当成需要外部生成的资产来管理。需要自定义音色时,先确认 Gradium Studio 的克隆与文本设计流程能否走通、说话人同意链是否可闭合;评估指标可用排行榜同类做法,在你的评测集上对克隆音色与内置音色做说话人相似度打分,相似度不达标或同意链无法闭合就退回内置音色,这个前提是否成立决定了你能否对外承诺独特音色。

限制与待确认事项

目前 KimiSeek 的在线模型目录中没有 Phonon 31m 或 Phonon 40m,本文提到的可用性均指厂商侧,即在 Hugging Face 上发布的权重与 Gradium Studio,而不是 KimiSeek 上的服务;也没有证据显示这两个版本已作为 API 提供给开发者。排行榜成绩与 28、38 毫秒首音数字出自 Gradium 自己的文章及 Hugging Face 排行榜在特定流式 CPU 条件下的测量,属于厂商口径,未在本文中独立复现。文章没有给出各语言分别的延迟分布、内存占用曲线或长时间运行稳定性数据;40m 的 CC BY-NC 限制与商业授权的具体条款需要向厂商确认;积分到更小内存版本、韩语阿拉伯语日语支持以及按产品词汇微调都只停留在洽谈层面,没有时间表。开放权重不等于开源许可,40m 正是权重可得但许可非商业的例子,31m 的 Apache 2.0 才属于可商用授权的开放许可。

原报道配图

原报道配图 1 — Phonon TTS 发布两周后详解:CPU 流式首音登顶,Apache 2.0 只覆盖英语版
原报道配图 1原始报道 ↗

三分钟跑通第一次调用

注册后创建 API Key。调用费用从账户余额扣除。新用户首充 7 折。充 ¥500,实付 ¥350,到账 ¥500。充 ¥1000,实付 ¥850,到账 ¥1000 最低充值仍为 ¥10,适合试用。

来源与编写说明

深入了解 Phonon TTS:发布在基准测试中登顶的高质量端侧语音

本文基于所列来源,由 AI 辅助整理、分析和翻译,并经过自动质量检查。分析与建议不代表实测结果;模型可用性与价格请以当前目录为准。