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

AI小蝌蚪AI 前沿📡 BestBlogs·AI高分精选⭐ 882026-10-23441 阅读💛 187 收藏
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

#AI 与智能应用# AI 语音# 模型发布# 本地与端侧 AI# 性能优化

文章评论(12)

雪影23 天前

这篇文章分析得很透彻,收藏了!

回复
竹听风23 天前

路过

回复
月沐雨23 天前

收藏了,以后慢慢研究。

回复
竹听风23 天前

内容翔实,正好需要,先收藏再看。

回复
林拾贝23 天前

整理得太全面了,省了我不少时间。

回复
龙文博23 天前

不错不错,已加入书签。

回复
蓝归舟23 天前

思路清晰,干货满满。

回复
蓝归舟23 天前

这个比较实用,已转发给同事。

回复
一个橘子23 天前

刚好最近在找这方面的资料,太及时了。

回复
月沐雨23 天前

点赞,必须点赞

回复
风倚栏23 天前

刚好最近在找这方面的资料,太及时了。

回复
石佳琪23 天前

写得挺用心的,支持一下。

回复