Gradium Phonon: voces sin conexión, límites de licencia y cuándo elegir TTS en la nube
La síntesis de voz sin conexión cambia dónde funciona tu aplicación, pero los pesos siguen teniendo condiciones. Compara las licencias y el despliegue de Phonon con la locución en la nube de OmniArt.
Gradium Phonon lleva la conversión de texto a voz en streaming a tu propio hardware. Su primera versión estable (Se abre en una pestaña nueva) se publicó el 20 de octubre de 2026; Gradium la anunció públicamente al día siguiente. Para una aplicación sin conexión, esto cambia si la voz necesita una conexión activa. Para quien está terminando una locución, el despliegue puede suponer un trabajo innecesario.
La distinción entre licencias es lo primero: solo Phonon 31m en inglés es Apache 2.0. Los modelos 40m, incluido el multilingüe, son CC BY-NC 4.0, de uso no comercial. Phonon no está disponible en OmniArt a fecha de 26 de octubre de 2026. Nuestras opciones en la nube son ElevenLabs y MiniMax Speech; elige entre ambos enfoques según la función que deba cumplir tu audio.
Qué significa TTS en el dispositivo#
El TTS en el dispositivo genera voz localmente una vez instalados los archivos necesarios. El TTS en la nube envía el guion a un servicio remoto y devuelve audio. La inferencia local puede mantener la fase de síntesis sin conexión; no convierte toda la aplicación en privada si otras funciones siguen enviando datos a otros destinos.
| Decisión | Síntesis en el dispositivo | TTS en la nube |
|---|---|---|
| Conectividad | Puede hablar sin red tras la configuración | Necesita conexión para generar |
| Tratamiento del texto | Puede mantener el texto de síntesis en el dispositivo | El guion se envía al servicio |
| Capacidad de respuesta | Evita un viaje de ida y vuelta por la red; depende del hardware | Depende de la conexión y de la respuesta del servicio |
| Coste operativo | Cómputo del dispositivo, empaquetado, pruebas y mantenimiento | Créditos por cada generación en OmniArt |
| Dirección de voz e idiomas | Limitados por los pesos y archivos de voz instalados | Elige entre los modelos y controles de voz disponibles |
Si un lector de pantalla debe hablar en un tren sin cobertura, funcionar sin conexión es un requisito. Si estás exportando la narración de un vídeo, el oyente reproduce el archivo terminado; el generador en sí no necesita funcionar sin conexión.
Qué ha publicado Gradium con Phonon#
Estas son las especificaciones de las fichas de modelo de Hugging Face (Se abre en una pestaña nueva), comprobadas el 26 de octubre de 2026, y no el tamaño de descarga de una aplicación completa. El número de parámetros excluye el tokenizador de audio; los tamaños se refieren a los archivos de pesos model.q8.gguf cuantizados a 8 bits.
| Modelo | Parámetros | Idiomas | Pesos q8 | Licencia de los pesos | Descarga con acceso condicionado |
|---|---|---|---|---|---|
| Phonon 31m en inglés | 31M | Inglés | 64,5 MB | Apache 2.0 | No |
| Phonon 40m por idioma | 40M | Un modelo independiente para inglés, francés, alemán, español o portugués | 74,6 MB cada uno | CC BY-NC 4.0 | Aceptar las condiciones; aprobación automática |
| Phonon 40m multilingüe | 40M | Inglés, francés, alemán, español, portugués | 74,6 MB | CC BY-NC 4.0 | Aceptar las condiciones; aprobación automática |
Las fichas especifican salida mono a 24 kHz. La página del producto (Se abre en una pestaña nueva) de Gradium redondea la descarga menor a 64 MB; su comunicado de prensa (Se abre en una pestaña nueva) también cita 90 MB. Usa el archivo identificado en la ficha del modelo al calcular el almacenamiento y, después, mide el paquete completo y la memoria durante la ejecución en el dispositivo de destino.
Las notas de la v0.4.0 describen un entorno de ejecución en Rust sin PyTorch, con opciones para Python, navegador, Rust, Swift y Android. Las vías de instalación incluyen uvx ptts, pip install ptts, npm install phonon-tts y cargo add ptts. También hay un servidor compatible con OpenAI y compatibilidad con Wyoming para Home Assistant.
La lista de versiones (Se abre en una pestaña nueva), consultada el 26 de octubre, presenta la v0.4.2 como la más reciente, tras la v0.4.1. Los paquetes de modelos adjuntos siguen siendo los de la v0.4.0. Las notas posteriores abarcan documentación y cambios de plataforma, incluidos Mac Catalyst y los avisos de licencia del paquete para navegadores; la v0.4.2 también añade una opción de configuración del decodificador Mimi.
La cuestión de la licencia#
El comunicado de lanzamiento del 21 de octubre (Se abre en una pestaña nueva) describe los pesos multilingües como Apache 2.0, aunque enlaza al repositorio 31m en inglés. Esto contradice las fichas de modelo, las notas de la v0.4.0 y la página del producto: los pesos 40m, incluidos los multilingües, son CC BY-NC 4.0.
Advertencia
Solo Phonon 31m en inglés tiene pesos Apache 2.0. Los modelos 40m son de uso no comercial y tienen acceso condicionado; la página del producto de Gradium remite a los usuarios comerciales al equipo de ventas. Consulta la ficha exacta de cada modelo en Hugging Face y sus condiciones antes de distribuir tu producto. Un entorno de ejecución abierto no cambia la licencia de los pesos.
Según las fichas, el entorno de ejecución es un proyecto independiente con licencia MIT OR Apache-2.0. Mantén esa distinción al revisar dependencias: el permiso para redistribuir el código de inferencia y el permiso para usar un modelo concreto son cuestiones distintas. Este artículo recoge los documentos publicados, sin resolver condiciones comerciales personalizadas.
La creación de voces marca otro límite. Gradium describe la clonación y el diseño de voces mediante su API en la nube, seguidos de la descarga del archivo de voz para la síntesis local. Eso no es clonación de voz sin conexión. Un proyecto que requiera una configuración completamente sin conexión debe tener en cuenta cómo obtiene sus voces, además de cómo genera el habla.
Cómo rinde Phonon según el proveedor#
La publicación técnica del 20 de octubre (Se abre en una pestaña nueva) de Gradium comunica las siguientes tasas de error de palabras para frases difíciles en inglés. Son resultados de pruebas comunicados por el proveedor, comprobados el 26 de octubre de 2026, y no una prueba de escucha de OmniArt.
| Modelo | WER en frases difíciles, publicación técnica (según el proveedor) |
|---|---|
| Phonon 31m | 1,70% |
| Phonon 40m multilingüe | 2,11% |
| Phonon 40m | 2,22% |
| Kokoro | 3,50% |
| Kitten TTS | 7,40% |
| NeuTTS Nano | 8,71% |
| Magpie | 27,51% |
El proveedor eligió las frases de prueba, el modelo de transcripción qwen3.8-omni-flash y el evaluador de WER gemma-4-31b-it. Su conjunto de datos público es gradium/tts-hard-sentences-202610 (Se abre en una pestaña nueva). Un WER menor mide la precisión de la transcripción en esta configuración, no la interpretación, el rango emocional ni la adecuación a tu guion. La ficha del modelo phonon-31m-en (Se abre en una pestaña nueva), consultada el 26 de octubre de 2026, da cifras redondeadas y distintas de WER con LLM en el conjunto difícil: 1,5 % para Phonon 31m, 2,0 % para 40m multilingual y 2,3 % para 40m English (datos del fabricante). La tabla anterior usa las cifras de la publicación técnica.
La misma publicación informa de pruebas de escucha ciegas por parejas con 1.189 evaluadores y 17.270 votos. También comunica unos 7 ms hasta el primer audio en la CPU de un MacBook Air M5, frente a 517 ms de Kokoro, y 38 ms con una generación a 3,7× el tiempo real para el 31m en Raspberry Pi 5. La cifra del primer audio de Kokoro abarca una frase completa porque no genera en streaming. Por separado, la página del producto anuncia hasta 22× el tiempo real en iPhone 16 Pro (según el proveedor).
Trata esas cifras como resultados específicos de cada dispositivo, no como una promesa de latencia. Prueba tu propio hardware con nombres, números y frases representativos antes de elegir un entorno de ejecución.
Phonon en el dispositivo frente al TTS en la nube de OmniArt#
Usa esta tabla de decisión como punto de partida; orienta el flujo de trabajo, no constituye una clasificación de calidad medida.
| Tu requisito | Punto de partida | Qué comprobar antes de decidir |
|---|---|---|
| Accesibilidad en inglés, diálogos de juegos o interacción integrada sin conexión | Phonon 31m | Recursos del dispositivo, pronunciación y condiciones de Apache 2.0 |
| Voz sin conexión en los demás idiomas enumerados | Phonon 40m | Restricción no comercial o condiciones comerciales independientes |
| Narración expresiva e interpretación dirigida de personajes | ElevenLabs en OmniArt | Prueba la voz y la interpretación con tu guion |
| Locución multilingüe sin mantener código de inferencia | ElevenLabs o MiniMax Speech en OmniArt | Idioma, condiciones de uso y resultado para cada público |
| Versiones sucesivas del guion antes de la exportación final | Opciones Turbo en la nube de OmniArt | Compara las tomas reales y el coste en créditos |
A fecha de 26 de octubre de 2026, el catálogo público de OmniArt incluye Eleven v3 con 74 idiomas, Multilingual v2 con 29, Turbo v2.5 con 32 y ambas variantes de MiniMax Speech 2.8 con 39, sin contar la selección automática de idioma. ElevenLabs requiere el plan Starter o superior; MiniMax Speech 2.8 está disponible en el plan Free. Las unidades de créditos siguientes se han comprobado en nuestro catálogo de modelos en esa misma fecha.
| Modelo en OmniArt | Caracteres por 1 crédito, por bloque iniciado | Créditos por 1.000 caracteres |
|---|---|---|
| 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 |
Se cobra cada bloque de caracteres iniciado. Calcula cada solicitud por separado: una toma nueva supone otro coste de generación. El acceso por plan y los créditos se deben comprobar de forma independiente.
Prueba este guion de bienvenida a una aplicación con una voz de narrador. Son ejemplos de texto que puedes copiar, no muestras de audio generado.
Usa el mismo guion corto como punto de partida para versiones multilingües; aquí el texto que puedes copiar permanece en inglés. Selecciona el idioma adecuado y prepara un guion traducido al probar una interpretación localizada.
Para los controles de interpretación, consulta nuestra guía de etiquetas de audio de Eleven v3. El artículo Eleven v4 frente a v3 distingue el contexto del lanzamiento de los modelos disponibles; la guía de MiniMax Speech 2.8 explica el flujo de locución en la nube.
Qué conviene seguir#
Estate pendiente de una corrección del texto sobre licencias del comunicado, del lanzamiento de más idiomas y de condiciones comerciales públicas para el 40m. Hasta entonces, selecciona un repositorio de pesos concreto en lugar de tratar «Phonon» como una única licencia. Para la locución en OmniArt, prueba un pasaje corto antes de gastar créditos en el guion completo.
Preguntas frecuentes#
¿Qué es Gradium Phonon?
Phonon es la familia de pequeños modelos de texto a voz con pesos abiertos de Gradium, destinados a la síntesis local sin conexión en móviles, portátiles, placas integradas y navegadores. Su primera versión estable, v0.4.0, se publicó el 20 de octubre de 2026 con un entorno de ejecución en Rust que no necesita PyTorch, según las notas de lanzamiento de Gradium. Es una opción de despliegue en tu propio hardware.
¿Puedo usar Phonon con fines comerciales?
Los pesos de Phonon 31m en inglés son Apache 2.0, que permite el uso comercial sujeto a sus condiciones. Los pesos 40m por idioma y multilingües son CC BY-NC 4.0, de uso no comercial. La página del producto de Gradium indica que debes contactar con ventas para el uso comercial de esos modelos. Consulta la ficha exacta antes de distribuir tu producto; la licencia del entorno de ejecución no sustituye las condiciones de los pesos.
¿Qué idiomas admite Phonon?
A fecha de 26 de octubre de 2026, Phonon 31m solo está disponible en inglés. La familia 40m abarca inglés, francés, alemán, español y portugués, con un modelo independiente por idioma o un único modelo multilingüe. Esos pesos 40m son de uso no comercial. Si necesitas más idiomas, compara los modelos de voz en la nube del catálogo público de OmniArt y prueba tu idioma de destino.
¿Está Phonon disponible en OmniArt?
No. Phonon no figura en el catálogo de OmniArt a fecha de 26 de octubre de 2026; debes desplegarlo en tu propio hardware. OmniArt ofrece Eleven v3, Multilingual v2 y Turbo v2.5, además de MiniMax Speech 2.8 HD y Turbo. Generan voz en la nube y cobran créditos por bloque de caracteres iniciado; el acceso por plan depende del modelo.
Prueba texto a voz en la nube en OmniArt#
Abre el espacio de audio, elige un modelo de voz disponible y prueba un guion corto. Compara pronunciación, interpretación y créditos antes de producir la narración completa. Elige Phonon por separado cuando la propia aplicación necesite funcionar sin conexión.
