01 Was passiert ist
Gradium hat Phonon veröffentlicht, ein kompaktes Text-to-Speech-Modell, das vollständig auf dem Gerät des Nutzers läuft – ohne Server und ohne Internetverbindung. Es ist in zwei Größen (rund 65 und 75 MB) erhältlich, unterstützt Englisch, Französisch, Deutsch, Spanisch und Portugiesisch mit über 100 integrierten Stimmen und ermöglicht Stimmklonierung sowie die Erstellung neuer Stimmen in Gradium Studio.
02 Die wichtigsten Details
- Phonon arbeitet vollständig auf dem Gerät – kein Server, keine Netzwerkverbindung, der eingegebene Text verlässt das Gerät nicht.
- Phonon 31m (nur Englisch) steht unter der Apache 2.0-Lizenz, die auch die kommerzielle Nutzung erlaubt.
- Phonon 40m (alle fünf Sprachen) ist CC BY-NC lizenziert; die kommerzielle Lizenzierung erfolgt nach Anzahl der Nutzer, nicht nach Sprachvolumen.
- Im Hugging Face Open TTS Leaderboard belegt Phonon Platz 1 bei der Verständlichkeit in Deutsch und Spanisch und führt den CPU-Streaming-Benchmark bei der Zeit bis zum ersten Audio an.
- Verfügbar in 🤗 Transformers ab Version 5.21 als Referenzimplementierung in PyTorch; die Transformers-Integration wurde vom Hugging Face-Team erstellt. Ein eigenes Inferenz-Framework ptts unterstützt über zehn Hardware-Backends.
03 Warum das wichtig ist
Phonon umgeht die Datenschutz- und Latenzprobleme cloudbasierter TTS-Systeme, indem es die Daten auf dem Gerät belässt und gleichzeitig die Qualität teils deutlich größerer Modelle erreicht oder übertrifft.
04 Für wen es relevant ist
Entwickler von Sprachanwendungen, Hersteller von ressourcenbeschränkten Geräten und Nutzer, denen Datenschutz bei der Sprachsynthese wichtig ist.