Gradium Phonon: Offline-Stimmen, Lizenzgrenzen und wann Cloud-TTS passt
Offline-Sprachausgabe verändert, wo deine App läuft, doch für die Gewichte gelten weiterhin Bedingungen. Vergleiche Phonons Lizenzen und Bereitstellung mit Cloud-Voiceover auf OmniArt.
Gradium Phonon bringt Text-to-Speech per Streaming auf deine eigene Hardware. Die erste stabile Version (Öffnet sich in einem neuen Tab) erschien am 20. Oktober 2026; am folgenden Tag kündigte Gradium sie öffentlich an. Für eine Offline-App ändert das, ob die Sprachausgabe eine funktionierende Verbindung braucht. Wenn du als Kreativer ein Voiceover fertigstellst, kann die Bereitstellung dagegen unnötige Arbeit bedeuten.
Zuerst zählt die Unterscheidung bei den Lizenzen: Nur Phonon 31m für Englisch steht unter Apache 2.0. Die 40m-Modelle einschließlich der mehrsprachigen Variante nutzen die nicht kommerzielle CC BY-NC 4.0. Phonon ist zum 26. Oktober 2026 nicht auf OmniArt verfügbar. Unsere Cloud-Optionen sind ElevenLabs und MiniMax Speech; wähle zwischen den beiden Ansätzen danach, welche Aufgabe dein Audio erfüllen soll.
Was TTS auf dem Gerät bedeutet#
TTS auf dem Gerät erzeugt Sprache lokal, nachdem die nötigen Dateien installiert wurden. Cloud-TTS sendet das Skript an einen entfernten Dienst und liefert Audio zurück. Lokale Inferenz kann den Syntheseschritt offline halten; dadurch wird nicht die gesamte App datenschutzfreundlich, wenn andere Funktionen weiterhin Daten an andere Stellen senden.
| Entscheidung | Synthese auf dem Gerät | Cloud-TTS |
|---|---|---|
| Verbindung | Kann nach der Einrichtung ohne Netzwerk sprechen | Braucht zur Generierung eine Verbindung |
| Umgang mit Text | Kann den Synthesetext auf dem Gerät halten | Das Skript geht an den Dienst |
| Reaktionszeit | Vermeidet den Hin- und Rückweg im Netzwerk; die Hardware zählt | Hängt von Verbindung und Dienstantwort ab |
| Betriebskosten | Rechenleistung auf dem Gerät, Paketierung, Tests und Wartung | Credits für jede Generierung auf OmniArt |
| Stimmführung und Sprachen | Durch installierte Gewichte und Stimmdateien begrenzt | Auswahl aus verfügbaren Modellen und Stimmeinstellungen |
Wenn ein Screenreader im Zug ohne Empfang sprechen muss, ist Offline-Betrieb eine Voraussetzung. Wenn du die Erzählspur für ein Video exportierst, hört dein Publikum die fertige Datei; der Generator selbst muss nicht offline funktionieren.
Was Gradium mit Phonon veröffentlicht hat#
Das sind die am 26. Oktober 2026 geprüften Angaben der Hugging-Face-Modellkarten (Öffnet sich in einem neuen Tab), keine Downloadgrößen einer vollständigen Anwendung. Die Parameterzahlen schließen den Audio-Tokenizer aus; die Größen beziehen sich auf die mit 8 Bit quantisierten Gewichtsdateien model.q8.gguf.
| Modell | Parameter | Sprachen | q8-Gewichte | Lizenz der Gewichte | Download mit Zugangsvoraussetzungen |
|---|---|---|---|---|---|
| Phonon 31m Englisch | 31M | Englisch | 64,5 MB | Apache 2.0 | Nein |
| Phonon 40m je Sprache | 40M | Eigenes Modell für Englisch, Französisch, Deutsch, Spanisch oder Portugiesisch | Je 74,6 MB | CC BY-NC 4.0 | Bedingungen akzeptieren; automatische Freigabe |
| Phonon 40m mehrsprachig | 40M | Englisch, Französisch, Deutsch, Spanisch, Portugiesisch | 74,6 MB | CC BY-NC 4.0 | Bedingungen akzeptieren; automatische Freigabe |
Die Karten nennen eine Mono-Ausgabe mit 24 kHz. Gradiums Produktseite (Öffnet sich in einem neuen Tab) rundet den kleineren Download auf 64 MB; die Pressemitteilung (Öffnet sich in einem neuen Tab) nennt außerdem 90 MB. Nutze bei der Speicherplanung die auf der Modellkarte benannte Datei und miss anschließend das gesamte Paket sowie den Arbeitsspeicherbedarf zur Laufzeit auf deinem Zielgerät.
Die Hinweise zu v0.4.0 beschreiben eine Rust-Laufzeit ohne PyTorch mit Optionen für Python, Browser, Rust, Swift und Android. Zu den Einstiegspunkten gehören uvx ptts, pip install ptts, npm install phonon-tts und cargo add ptts. Außerdem gibt es einen OpenAI-kompatiblen Server und Wyoming-Unterstützung für Home Assistant.
Die am 26. Oktober geprüfte Versionsliste (Öffnet sich in einem neuen Tab) führt v0.4.2 nach v0.4.1 als neueste Version auf. Die angehängten Modellpakete sind weiterhin die aus v0.4.0. Die neueren Hinweise behandeln Dokumentation und Plattformänderungen, darunter Mac Catalyst und Lizenzhinweise für das Browserpaket; v0.4.2 ergänzt außerdem eine Konfigurationsoption für den Mimi-Decoder.
Die Lizenzfrage#
Die Pressemitteilung zur Einführung vom 21. Oktober (Öffnet sich in einem neuen Tab) beschreibt die mehrsprachigen Gewichte als Apache 2.0 und verlinkt dabei auf das englische 31m-Repository. Das widerspricht den Modellkarten, den Versionshinweisen zu v0.4.0 und der Produktseite: Die 40m-Gewichte einschließlich der mehrsprachigen Variante stehen unter CC BY-NC 4.0.
Warnung
Nur Phonon 31m für Englisch hat Gewichte unter Apache 2.0. Die 40m-Modelle sind nicht kommerziell nutzbar und ihr Zugang ist an Bedingungen gebunden; Gradiums Produktseite verweist kommerzielle Nutzer an den Vertrieb. Prüfe vor der Auslieferung die genaue Hugging-Face-Modellkarte und ihre Bedingungen. Eine offene Laufzeit ändert die Lizenz der Gewichte nicht.
Laut den Karten ist die Laufzeit ein separates Projekt unter MIT OR Apache-2.0. Halte diese Unterscheidung bei der Prüfung deiner Abhängigkeiten fest: Die Erlaubnis, Inferenzcode weiterzugeben, und die Erlaubnis, ein bestimmtes Modell zu nutzen, sind getrennte Fragen. Dieser Artikel gibt die veröffentlichten Dokumente wieder und klärt keine individuell vereinbarten kommerziellen Bedingungen.
Die Erstellung von Stimmen ist eine weitere Grenze. Gradium beschreibt das Klonen und Gestalten von Stimmen über seine Cloud-API, gefolgt vom Download der Stimmdatei für lokale Synthese. Das ist kein Offline-Stimmklonen. Ein Projekt, das eine vollständig offline nutzbare Einrichtung verlangt, sollte berücksichtigen, wie es seine Stimmen erhält und wie es Sprache erzeugt.
Wie Phonon laut Anbieter abschneidet#
Gradiums technischer Beitrag vom 20. Oktober (Öffnet sich in einem neuen Tab) nennt die folgenden Wortfehlerraten für schwierige englische Sätze. Es handelt sich um vom Anbieter berichtete Benchmark-Ergebnisse, geprüft am 26. Oktober 2026, und nicht um einen Hörtest von OmniArt.
| Modell | WER bei schwierigen Sätzen, technischer Beitrag (Anbieterangaben) |
|---|---|
| Phonon 31m | 1,70 % |
| Phonon 40m mehrsprachig | 2,11 % |
| Phonon 40m | 2,22 % |
| Kokoro | 3,50 % |
| Kitten TTS | 7,40 % |
| NeuTTS Nano | 8,71 % |
| Magpie | 27,51 % |
Der Anbieter wählte die Testsätze, das Transkriptionsmodell qwen3.8-omni-flash und das WER-Bewertungsmodell gemma-4-31b-it aus. Sein öffentlicher Datensatz ist gradium/tts-hard-sentences-202610 (Öffnet sich in einem neuen Tab). Eine niedrigere WER misst die Transkriptionsgenauigkeit in diesem Aufbau, nicht schauspielerische Leistung, emotionale Bandbreite oder Eignung für dein Skript. Die Modellkarte von phonon-31m-en (Öffnet sich in einem neuen Tab), abgerufen am 26. Oktober 2026, nennt abweichende, gerundete LLM-WER-Werte für das Hard-Set: 1,5 % für Phonon 31m, 2,0 % für 40m multilingual und 2,3 % für 40m English (Herstellerangaben). Die obige Tabelle verwendet die Zahlen aus dem technischen Beitrag.
Derselbe Beitrag berichtet von paarweisen Blindhörtests mit 1.189 Bewertenden und 17.270 Stimmen. Er nennt außerdem ungefähr 7 ms bis zum ersten Audio auf der CPU eines MacBook Air M5 gegenüber 517 ms bei Kokoro sowie 38 ms und eine Generierung mit 3,7× Echtzeitgeschwindigkeit für 31m auf dem Raspberry Pi 5. Kokoros Wert bis zum ersten Audio umfasst einen vollständigen Satz, da es nicht streamt. Die Produktseite gibt separat bis zu 22× Echtzeitgeschwindigkeit auf dem iPhone 16 Pro an (Anbieterangabe).
Betrachte diese Angaben als gerätespezifische Ergebnisse, nicht als Latenzversprechen. Teste deine eigene Hardware mit repräsentativen Namen, Zahlen und Sätzen, bevor du eine Laufzeit auswählst.
Phonon auf dem Gerät und Cloud-TTS auf OmniArt#
Nutze diese Entscheidungstabelle als Ausgangspunkt; sie hilft beim Arbeitsablauf und ist keine Rangliste gemessener Qualität.
| Deine Anforderung | Ausgangspunkt | Vor der Entscheidung prüfen |
|---|---|---|
| Englische Offline-Barrierefreiheit, Spieldialoge oder eingebettete Interaktion | Phonon 31m | Ressourcen des Geräts, Aussprache und Apache-2.0-Bedingungen |
| Offline-Sprache in den anderen genannten Sprachen | Phonon 40m | Einschränkung auf nicht kommerzielle Nutzung oder separate kommerzielle Bedingungen |
| Ausdrucksstarke Erzählung und gezielte Figureninterpretation | ElevenLabs auf OmniArt | Stimme und Sprechweise mit deinem Skript testen |
| Mehrsprachiges Voiceover ohne Wartung von Inferenzcode | ElevenLabs oder MiniMax Speech auf OmniArt | Sprache, Nutzungsbedingungen und Ergebnis für jedes Publikum |
| Wiederholte Skriptentwürfe vor dem finalen Export | Cloud-Turbo-Optionen auf OmniArt | Tatsächliche Aufnahmen und Credit-Kosten vergleichen |
Zum 26. Oktober 2026 führt OmniArts öffentlicher Katalog Eleven v3 mit 74 Sprachen, Multilingual v2 mit 29, Turbo v2.5 mit 32 und beide Varianten von MiniMax Speech 2.8 mit 39 auf, ohne die automatische Sprachauswahl mitzuzählen. ElevenLabs setzt den Plan Starter oder höher voraus; MiniMax Speech 2.8 ist im Plan Free verfügbar. Die folgenden Credit-Einheiten wurden am selben Tag mit unserem Modellkatalog abgeglichen.
| OmniArt-Modell | Zeichen je 1 Credit, pro angefangenem Block | Credits für 1.000 Zeichen |
|---|---|---|
| Eleven v3 | 50 | 20 |
| Eleven Multilingual v2 | 50 | 20 |
| Eleven Turbo v2.5 | 100 | 10 |
| MiniMax Speech 2.8 HD | 50 | 20 |
| MiniMax Speech 2.8 Turbo | 100 | 10 |
Jeder angefangene Zeichenblock wird berechnet. Kalkuliere jede Anfrage einzeln: Eine neue Aufnahme verursacht weitere Generierungskosten. Zugang über den Plan und Credits musst du getrennt prüfen.
Probiere dieses Skript für die Einführung in eine App mit einer Erzählerstimme aus. Das sind kopierbare Textbeispiele, keine generierten Audiobeispiele.
Nutze dasselbe kurze Skript als Ausgangspunkt für mehrsprachige Fassungen; die kopierbare Eingabe bleibt hier Englisch. Wähle die passende Sprache und bereite ein übersetztes Skript vor, wenn du eine lokalisierte Sprechfassung testest.
Zu den Einstellungen für die Sprechweise lies unseren Leitfaden zu den Audio-Tags von Eleven v3. Der Artikel zu Eleven v4 im Vergleich zu v3 trennt den Veröffentlichungskontext von den verfügbaren Modellen; der Leitfaden zu MiniMax Speech 2.8 behandelt den Cloud-Voiceover-Ablauf.
Was du im Blick behalten solltest#
Achte auf eine Korrektur der Lizenzformulierung in der Pressemitteilung, weitere Sprachversionen und öffentliche kommerzielle Bedingungen für 40m. Wähle bis dahin ein konkretes Gewichts-Repository, statt „Phonon“ als eine einzige Lizenz zu behandeln. Teste für Voiceover auf OmniArt einen kurzen Abschnitt, bevor du Credits für das gesamte Skript ausgibst.
Häufige Fragen#
Was ist Gradium Phonon?
Phonon ist Gradiums Familie kleiner Text-to-Speech-Modelle mit offenen Gewichten für lokale Offline-Synthese auf Handys, Laptops, eingebetteten Platinen und in Browsern. Die erste stabile Version v0.4.0 erschien am 20. Oktober 2026 mit einer Rust-Laufzeit, die laut Gradiums Versionshinweisen kein PyTorch benötigt. Es ist eine Bereitstellungsoption für deine eigene Hardware.
Kann ich Phonon kommerziell nutzen?
Die englischen Phonon-31m-Gewichte stehen unter Apache 2.0, die kommerzielle Nutzung unter ihren Bedingungen erlaubt. Die sprachspezifischen und mehrsprachigen 40m-Gewichte stehen unter der nicht kommerziellen CC BY-NC 4.0. Gradiums Produktseite verweist für die kommerzielle Nutzung dieser Modelle an den Vertrieb. Prüfe vor der Auslieferung die genaue Modellkarte; die Lizenz der Laufzeit ersetzt die Bedingungen der Gewichte nicht.
Welche Sprachen unterstützt Phonon?
Zum 26. Oktober 2026 unterstützt Phonon 31m nur Englisch. Die 40m-Familie deckt Englisch, Französisch, Deutsch, Spanisch und Portugiesisch ab, entweder mit einem separaten Modell je Sprache oder einem mehrsprachigen Modell. Diese 40m-Gewichte sind nicht kommerziell nutzbar. Für eine breitere Sprachauswahl vergleiche die Cloud-Sprachmodelle in OmniArts öffentlichem Katalog und teste deine Zielsprache.
Ist Phonon auf OmniArt verfügbar?
Nein. Phonon ist zum 26. Oktober 2026 nicht in OmniArts Katalog; du stellst es auf deiner eigenen Hardware bereit. OmniArt bietet Eleven v3, Multilingual v2 und Turbo v2.5 sowie MiniMax Speech 2.8 HD und Turbo. Diese Modelle erzeugen Sprache in der Cloud und berechnen Credits je angefangenem Zeichenblock. Der Zugang über einen Plan hängt vom Modell ab.
Teste Cloud-Text-to-Speech auf OmniArt#
Öffne den Audio-Workspace, wähle ein verfügbares Sprachmodell und teste ein kurzes Skript. Vergleiche Aussprache, Sprechweise und Credits, bevor du die gesamte Erzählspur erstellst. Wähle Phonon separat, wenn die Anwendung selbst offline funktionieren muss.
