01 Что произошло
Компания Gradium выпустила Phonon — компактную модель синтеза речи, работающую полностью на устройстве пользователя без сервера и подключения к интернету. Модели размером около 65 и 75 МБ поддерживают английский, французский, немецкий, испанский и португальский языки, включают более 100 встроенных голосов и позволяют клонировать голос или создать новый в Gradium Studio.
02 Ключевые детали
- Phonon работает на устройстве без сервера и сети — вводимый текст не покидает устройство.
- Phonon 31m (английский) распространяется по лицензии Apache 2.0, разрешающей коммерческое использование.
- Phonon 40m (пять языков) — по CC BY-NC; коммерческая лицензия рассчитывается по числу пользователей, а не по объёму речи.
- В рейтинге Open TTS Leaderboard Phonon занял первое место по разборчивости в немецком и испанском, а также возглавил CPU-бенчмарк потокового вывода по времени до первого аудио.
- Модель доступна в 🤗 Transformers с версии 5.21 как эталонная реализация PyTorch; интеграцию Transformers разработала команда Hugging Face. Выпущен специализированный фреймворк инференса ptts, поддерживающий более 10 аппаратных бэкендов.
03 Почему это важно
Phonon решает проблемы конфиденциальности и задержек, присущие облачным TTS-системам: данные остаются на устройстве, а качество синтеза сопоставимо или превосходит системы, в десятки раз превышающие его по размеру.
04 Кому полезно
Разработчики голосовых приложений, производители устройств с ограниченными ресурсами и пользователи, для которых важна приватность при синтезе речи.
Первоисточник