Gradium Phonon：オフライン音声のライセンス制限とクラウド TTS を選ぶ場面

Gradium Phonon は、手元のハードウェアでストリーミング音声合成を実行します。最初の安定版 (新しいタブで開きます)は2026年10月20日にリリースされ、翌日に Gradium が正式発表しました。オフラインアプリでは、音声機能に通信が必要かどうかが変わります。一方、ナレーションを仕上げるクリエイターにとって、自前の導入作業は不要な手間になるかもしれません。

まず押さえたいのはライセンスの違いです。Apache 2.0 なのは Phonon 31m 英語版だけです。多言語版を含む40mモデルは、非商用の CC BY-NC 4.0 です。2026年10月26日時点で、OmniArt では Phonon を提供していません。クラウドの選択肢は ElevenLabs と MiniMax Speech です。音声で何を実現したいかに合わせて、2つの方式を選びましょう。

オンデバイス TTS の意味#

オンデバイス TTS は、必要なファイルをインストールした後、端末内で音声を生成します。クラウド TTS は原稿をリモートサービスに送り、音声を受け取ります。ローカル推論によって合成処理をオフラインにできますが、ほかの機能が外部にデータを送るなら、アプリ全体のプライバシーが守られるわけではありません。

電波の届かない列車内でもスクリーンリーダーが発話する必要があるなら、オフライン動作は必須です。動画用のナレーションを書き出す場合、聞き手が再生するのは完成したファイルなので、生成ツール自体はオフラインでなくても構いません。

Gradium Phonon のリリース内容#

以下は2026年10月26日に確認した Hugging Face モデルカード (新しいタブで開きます)の仕様であり、アプリ全体のダウンロード容量ではありません。パラメーター数に音声トークナイザーは含まれません。容量は8ビット量子化された model.q8.gguf の重みファイルを指します。

モデルカードでは、出力はモノラル 24 kHz とされています。Gradium の製品ページ (新しいタブで開きます)は小さいモデルのダウンロード容量を丸めて 64 MB と記載し、プレスリリース (新しいタブで開きます)には 90 MB という発言も引用されています。ストレージを見積もる際はモデルカードが示すファイルの容量を使い、対象端末で配布物全体と実行時メモリを測定してください。

v0.4.0 の説明では、PyTorch を使わない Rust ランタイムと、Python、ブラウザー、Rust、Swift、Android 向けの選択肢が紹介されています。導入方法には uvx ptts、pip install ptts、npm install phonon-tts、cargo add ptts があります。OpenAI 互換サーバーと、Home Assistant 向けの Wyoming 対応もあります。

10月26日に確認したリリース一覧 (新しいタブで開きます)では、v0.4.1 に続く v0.4.2 が最新版です。添付のモデル一式は引き続き v0.4.0 のものです。新しい説明はドキュメントとプラットフォームの変更を扱い、Mac Catalyst 対応やブラウザーパッケージのライセンス表記などが含まれます。v0.4.2 では Mimi デコーダーの設定オプションも追加されています。

ライセンスの問題#

10月21日の発表プレスリリース (新しいタブで開きます)は、多言語の重みを Apache 2.0 と説明しながら、英語31mのリポジトリにリンクしています。これはモデルカード、v0.4.0 のリリースノート、製品ページと矛盾します。多言語版を含む40mの重みは CC BY-NC 4.0 です。

モデルカードによれば、ランタイムは MIT OR Apache-2.0 の別プロジェクトです。依存関係を確認するときは、この違いを意識してください。推論コードの再配布許可と、特定モデルの利用許可は別の問題です。この記事は公開文書の内容を紹介するもので、個別の商用条件を確定するものではありません。

声の作成にも境界があります。Gradium は、クラウド API で声のクローン作成や声の設計を行い、その音声ファイルをダウンロードしてローカル合成に使う流れを説明しています。これはオフラインでの音声クローン作成ではありません。準備から完全なオフラインを必要とするプロジェクトでは、音声を生成する方法だけでなく、声をどう入手するかも考慮する必要があります。

Phonon の性能（プロバイダー報告）#

Gradium の 10月20日の技術記事 (新しいタブで開きます)は、英語の難文について次の単語誤り率を報告しています。2026年10月26日に確認したプロバイダー報告のベンチマーク結果であり、OmniArt による試聴テストではありません。

テスト文、文字起こしモデル qwen3.8-omni-flash、WER 判定モデル gemma-4-31b-it はプロバイダーが選びました。公開データセットは gradium/tts-hard-sentences-202610 (新しいタブで開きます)です。低い WER はこの条件での文字起こし精度を測るもので、演技力、感情表現の幅、原稿との相性を示すものではありません。2026年10月26日に確認した phonon-31m-en のモデルカード (新しいタブで開きます)では、ハードセットの LLM WER が異なる丸めた値で示されています。Phonon 31m が 1.5%、40m multilingual が 2.0%、40m English が 2.3% です（ベンダー公表値）。上の表は技術記事の数値を使っています。

同記事は、評価者1,189人、投票17,270件によるブラインドの一対比較試聴テストも報告しています。また、MacBook Air M5 CPU で最初の音声まで約 7 ms、Kokoro では 517 ms、Raspberry Pi 5 で31mを使うと 38 ms で、生成速度は実時間の3.7倍と報告しています。Kokoro はストリーミングしないため、最初の音声の数値には文全体の生成が含まれます。製品ページは別途、iPhone 16 Pro で最大で実時間の22倍としています（プロバイダー報告）。

これらは特定の端末での結果であり、遅延時間の保証ではありません。ランタイムを選ぶ前に、実際のハードウェアで代表的な名前、数字、文章を試してください。

端末内 Phonon と OmniArt のクラウド TTS の比較#

次の表を選択の出発点にしてください。これは制作手順に関する指針であり、測定に基づく品質ランキングではありません。

2026年10月26日時点の OmniArt 公開カタログでは、Eleven v3 は74言語、Multilingual v2 は29言語、Turbo v2.5 は32言語、MiniMax Speech 2.8 の両バージョンはそれぞれ39言語です。自動言語選択は含めていません。ElevenLabs には Starter 以上のプランが必要です。MiniMax Speech 2.8 は Free プランで利用できます。下記のクレジット単位は同日にモデルカタログと照合しました。

文字数の各区分は、使い始めた時点で課金されます。リクエストごとに見積もってください。新しいテイクには、再び生成費用がかかります。プランの利用権限とクレジットは別々に確認する必要があります。

次のアプリ導入案内の原稿を、ナレーターの声で試してください。コピー可能なテキスト例であり、生成済みの音声サンプルではありません。

多言語版も同じ短い原稿から始めましょう。ここでコピーする入力文は英語のままです。各言語での読み方を試すときは、適切な言語を選び、翻訳した原稿を用意してください。

読み方の制御については Eleven v3 オーディオタグガイドをご覧ください。Eleven v4 と v3 の比較記事では、リリースの背景と提供中のモデルを区別しています。MiniMax Speech 2.8 ガイドでは、クラウドナレーションの制作手順を説明しています。

今後の注目点#

プレスリリースのライセンス表記の訂正、対応言語の追加、40mの商用条件の公開に注目してください。それまでは「Phonon」に単一のライセンスがあると考えず、重みのリポジトリを正確に選びましょう。OmniArt でナレーションを作る際は、原稿全体にクレジットを使う前に短い一節を試聴してください。