Gradium 开源 Phonon:采用 Apache 2.0 许可的 31M 参数端侧 TTS 模型

📌 One-Sentence Summary
Gradium 已开源 Phonon,这是一系列包含 31M 至 40M 参数的轻量级端侧文本转语音模型,在消费级硬件上可实现低于 10ms 的首段音频延迟,并采用宽松的开源许可。
📝 Summary
Gradium 发布了新一代轻量级端侧文本转语音(TTS)模型 Phonon,包含 31M 和 40M 参数等版本。英文版 Phonon 31m 采用 Apache 2.0 许可,文件大小为 64.5 MB,可完全在 CPU、移动设备和浏览器上运行,无需调用云端或使用 GPU。Phonon 基于因果 Transformer 主干网络与流匹配架构,推理速度出色:在 M5 Mac CPU 上仅需 6.9 ms 即可生成首段音频;在复杂文本词错误率基准测试中,其表现优于 Kokoro 等竞品。
💡 Main Points
模型架构与规格
Phonon 采用因果 Transformer 主干网络,结合流匹配头和 Mimi 解码器变体。英文版采用 31M 参数并以 Apache 2.0 许可发布,40M 参数版本则支持多语言。
性能与基准测试
在包含数字和电子邮件地址的 500 句困难数据集上,Phonon 31m 的词错误率为 1.70%,优于 Kokoro 的 3.50%;但在标准 Seed-TTS 基准测试中略逊一筹。
低延迟本地推理
这些模型在 Apple M5 CPU 上生成首段音频的耗时不到 7 ms,在 Raspberry Pi 5 上的运行速度超过实时速度的 3 倍,无需依赖云端,也没有按字符计费的成本。
Gradium 提供采用 MIT/Apache 2.0 许可的运行时,支持 Rust、Python、Swift、C、C++ 以及通过 WASM/WebGPU 运行的浏览器环境,并可无缝集成 Ollama 和 LM Studio 等热门工具。
💬 Key Quotes
英文版 Phonon 31m 采用 Apache 2.0 许可发布,文件大小为 64.5 MB。
在配备 4 个线程的 MacBook Air M5 CPU 上,Phonon 31m 生成首段音频仅需 6.9 ms。
Phonon 31m 使用 6 层 Transformer、512 的宽度和 8 个注意力头。
📊 Article Meta
AI Screening: 88
Source: MarkTechPost
Author: Asif Razzaq
Category: 人工智能
Language: 英文
Read Time: 5 min
Word Count: 1040
Tags:
AI 与智能应用 , AI 语音 , 模型发布 , 本地与端侧 AI , 性能优化
这篇文章分析得很透彻,收藏了!
路过
收藏了,以后慢慢研究。
内容翔实,正好需要,先收藏再看。
整理得太全面了,省了我不少时间。
不错不错,已加入书签。
思路清晰,干货满满。
这个比较实用,已转发给同事。
刚好最近在找这方面的资料,太及时了。
点赞,必须点赞
刚好最近在找这方面的资料,太及时了。
写得挺用心的,支持一下。