Gradium, paryska firma zajmująca się sztuczną inteligencją wydzielona z Kyutai, otwarła kod modelu Phonon - rodziny kompaktowych modeli zamiany tekstu na mowę (TTS) przeznaczonych do pracy on-device. Model Phonon 31M liczy 31 milionów parametrów i waży tylko 64,5 MB w formacie q8 GGUF, co pozwala mu działać na procesorach bez specjalistycznego sprzętu. Rodzina modeli zawiera trzy warianty: angielski Phonon 31M dostępny na licencji Apache 2.0 z 37 wbudowanymi głosami, Phonon 40M dla poszczególnych języków (angielski, francuski, niemiecki, hiszpański, portugalski) oraz wielojęzyczną wersję 40M zawierającą wszystkie pięć języków i 102 głosy.
Model wykorzystuje transformator kauzalny i nie wymaga konwersji tekstu na fonemy - pracuje bezpośrednio na surowym tekście za pomocą tokeneizera SentencePiece z słownikiem 4 tysięcy tokenów. Phonon generuje mowę 24 kHz w mono i osiąga pierwsze 7 milisekund audio na CPU, co czyni go praktycznym dla aplikacji wymagających szybkiej odpowiedzi. W testach Gradium model uzyskał najwyższą ocenę Elo wśród otwartych modeli TTS - w najtrudniejszym zestawie 500 zdań osiągnął 1,70% błędu słowa (WER), podczas gdy konkurencyjny Kokoro uzyskał 3,50%.
Znaczenie tego udostępnienia leży w demokratyzacji technologii mowy - programiści mogą teraz integrować naturalnie brzmiącą syntezę bez połączenia z chmurą, bez opłat za znaki i bez GPU. Phonon działa na smartfonach, laptopach, boardach takich jak Raspberry Pi 5, a także w przeglądarkach przez WebGPU i WebAssembly. To otwiera możliwości dla prywatnych asystentów głosowych, aplikacji dostępności i narzędzi offline.