Gradium Phonon : voix hors ligne, limites des licences et quand choisir le TTS dans le cloud
La synthèse vocale hors ligne change les conditions d’exécution de votre application, mais les poids restent soumis à des conditions. Comparez les licences et le déploiement de Phonon à la voix off dans le cloud sur OmniArt.
Gradium Phonon apporte la synthèse vocale en streaming à votre propre matériel. Sa première version stable (S’ouvre dans un nouvel onglet) est sortie le 20 octobre 2026 ; Gradium l’a annoncée publiquement le lendemain. Pour une application hors ligne, cela change la nécessité d’une connexion active pour produire la voix. Pour un créateur qui termine une voix off, le déploiement peut représenter un travail superflu.
La distinction entre licences compte avant tout : seul Phonon 31m anglais est sous Apache 2.0. Les modèles 40m, dont le multilingue, sont sous CC BY-NC 4.0, réservée à un usage non commercial. Phonon n’est pas disponible sur OmniArt au 26 octobre 2026. Nos options dans le cloud sont ElevenLabs et MiniMax Speech ; choisissez entre les deux approches selon le rôle que doit remplir votre audio.
Ce que signifie le TTS sur appareil#
Le TTS sur appareil génère la voix localement après l’installation des fichiers nécessaires. Le TTS dans le cloud envoie le script à un service distant et renvoie l’audio. L’inférence locale peut maintenir l’étape de synthèse hors ligne ; elle ne rend pas toute l’application privée si d’autres fonctionnalités continuent d’envoyer des données ailleurs.
| Critère | Synthèse sur appareil | TTS dans le cloud |
|---|---|---|
| Connectivité | Peut parler sans réseau après la configuration | Nécessite une connexion pour générer |
| Traitement du texte | Peut conserver le texte de synthèse sur l’appareil | Le script est envoyé au service |
| Réactivité | Évite un aller-retour réseau ; le matériel compte | Dépend de la connexion et de la réponse du service |
| Coût d’exploitation | Calcul sur l’appareil, empaquetage, tests et maintenance | Crédits pour chaque génération sur OmniArt |
| Direction vocale et langues | Limitées par les poids et les fichiers de voix installés | Choix parmi les modèles et réglages de voix disponibles |
Si un lecteur d’écran doit parler dans un train sans réception, le fonctionnement hors ligne est indispensable. Si vous exportez la narration d’une vidéo, l’auditeur lit le fichier terminé ; le générateur lui-même n’a pas besoin de fonctionner hors ligne.
Ce que Gradium a publié avec Phonon#
Voici les spécifications des fiches de modèles Hugging Face (S’ouvre dans un nouvel onglet), vérifiées le 26 octobre 2026, et non les tailles de téléchargement d’une application complète. Les nombres de paramètres excluent le tokeniseur audio ; les tailles correspondent aux fichiers de poids model.q8.gguf quantifiés sur 8 bits.
| Modèle | Paramètres | Langues | Poids q8 | Licence des poids | Téléchargement à accès conditionnel |
|---|---|---|---|---|---|
| Phonon 31m anglais | 31M | Anglais | 64,5 MB | Apache 2.0 | Non |
| Phonon 40m par langue | 40M | Un modèle distinct pour l’anglais, le français, l’allemand, l’espagnol ou le portugais | 74,6 MB chacun | CC BY-NC 4.0 | Acceptation des conditions ; approbation automatique |
| Phonon 40m multilingue | 40M | Anglais, français, allemand, espagnol, portugais | 74,6 MB | CC BY-NC 4.0 | Acceptation des conditions ; approbation automatique |
Les fiches indiquent une sortie mono à 24 kHz. La page produit (S’ouvre dans un nouvel onglet) de Gradium arrondit le téléchargement le plus petit à 64 MB ; son communiqué de presse (S’ouvre dans un nouvel onglet) cite aussi 90 MB. Utilisez le fichier nommé sur la fiche du modèle pour prévoir le stockage, puis mesurez le paquet complet et la mémoire à l’exécution sur votre appareil cible.
Les notes de la v0.4.0 décrivent un environnement d’exécution en Rust sans PyTorch, avec des options pour Python, navigateur, Rust, Swift et Android. Les points d’entrée comprennent uvx ptts, pip install ptts, npm install phonon-tts et cargo add ptts. Un serveur compatible OpenAI et la prise en charge de Wyoming pour Home Assistant sont également proposés.
La liste des versions (S’ouvre dans un nouvel onglet), consultée le 26 octobre, indique la v0.4.2 comme dernière version, après la v0.4.1. Les paquets de modèles joints restent ceux de la v0.4.0. Les notes plus récentes concernent la documentation et des changements de plateforme, dont Mac Catalyst et les mentions de licence du paquet pour navigateur ; la v0.4.2 ajoute aussi une option de configuration du décodeur Mimi.
La question de la licence#
Le communiqué de lancement du 21 octobre (S’ouvre dans un nouvel onglet) décrit les poids multilingues comme étant sous Apache 2.0, tout en pointant vers le dépôt 31m anglais. Cela contredit les fiches de modèles, les notes de la v0.4.0 et la page produit : les poids 40m, y compris multilingues, sont sous CC BY-NC 4.0.
Avertissement
Seul Phonon 31m anglais dispose de poids sous Apache 2.0. Les modèles 40m sont non commerciaux et leur accès est conditionnel ; la page produit de Gradium invite les utilisateurs commerciaux à contacter le service commercial. Vérifiez la fiche Hugging Face exacte de chaque modèle et ses conditions avant de distribuer votre produit. Un environnement d’exécution ouvert ne modifie pas la licence des poids.
D’après les fiches, l’environnement d’exécution est un projet distinct sous licence MIT OR Apache-2.0. Gardez cette distinction lors de la revue des dépendances : l’autorisation de redistribuer le code d’inférence et celle d’utiliser un modèle donné sont deux questions séparées. Cet article présente les documents publiés sans trancher les conditions commerciales personnalisées.
La création de voix constitue une autre limite. Gradium décrit le clonage et la conception de voix via son API dans le cloud, puis le téléchargement du fichier de voix pour la synthèse locale. Il ne s’agit pas de clonage vocal hors ligne. Un projet exigeant une configuration entièrement hors ligne doit tenir compte de l’obtention des voix autant que de la génération de la parole.
Les performances de Phonon selon le fournisseur#
La publication technique du 20 octobre (S’ouvre dans un nouvel onglet) de Gradium rapporte les taux d’erreur sur les mots suivants pour des phrases difficiles en anglais. Ces résultats de tests sont communiqués par le fournisseur et ont été vérifiés le 26 octobre 2026 ; il ne s’agit pas d’un test d’écoute réalisé par OmniArt.
| Modèle | WER sur phrases difficiles, publication technique (selon le fournisseur) |
|---|---|
| Phonon 31m | 1,70 % |
| Phonon 40m multilingue | 2,11 % |
| Phonon 40m | 2,22 % |
| Kokoro | 3,50 % |
| Kitten TTS | 7,40 % |
| NeuTTS Nano | 8,71 % |
| Magpie | 27,51 % |
Le fournisseur a choisi les phrases de test, le modèle de transcription qwen3.8-omni-flash et l’évaluateur du WER gemma-4-31b-it. Son jeu de données public est gradium/tts-hard-sentences-202610 (S’ouvre dans un nouvel onglet). Un WER plus faible mesure la précision de la transcription dans cette configuration, pas le jeu d’acteur, la palette émotionnelle ni l’adéquation à votre script. La fiche du modèle phonon-31m-en (S’ouvre dans un nouvel onglet), consultée le 26 octobre 2026, indique des WER LLM arrondis et différents sur le jeu difficile : 1,5 % pour Phonon 31m, 2,0 % pour 40m multilingual et 2,3 % pour 40m English (chiffres de l’éditeur). Le tableau ci-dessus reprend les chiffres de la publication technique.
La même publication rapporte des tests d’écoute à l’aveugle par paires, avec 1 189 évaluateurs et 17 270 votes. Elle indique aussi environ 7 ms avant le premier audio sur le processeur d’un MacBook Air M5, contre 517 ms pour Kokoro, ainsi que 38 ms et une génération à 3,7× le temps réel pour le 31m sur Raspberry Pi 5. La valeur de Kokoro couvre une phrase entière, car il ne fonctionne pas en streaming. La page produit annonce séparément jusqu’à 22× le temps réel sur iPhone 16 Pro (selon le fournisseur).
Considérez ces chiffres comme des résultats propres à chaque appareil, et non comme une promesse de latence. Testez votre matériel et des noms, nombres et phrases représentatifs avant de choisir un environnement d’exécution.
Phonon sur appareil face au TTS dans le cloud sur OmniArt#
Utilisez ce tableau de décision comme point de départ ; il oriente le flux de travail, sans constituer un classement fondé sur une mesure de qualité.
| Votre besoin | Point de départ | À vérifier avant de choisir |
|---|---|---|
| Accessibilité en anglais, dialogues de jeux ou interaction embarquée hors ligne | Phonon 31m | Ressources de l’appareil, prononciation et conditions Apache 2.0 |
| Parole hors ligne dans les autres langues citées | Phonon 40m | Restriction non commerciale ou conditions commerciales distinctes |
| Narration expressive et interprétation dirigée de personnages | ElevenLabs sur OmniArt | Testez la voix et l’interprétation sur votre script |
| Voix off multilingue sans maintenir de code d’inférence | ElevenLabs ou MiniMax Speech sur OmniArt | Langue, conditions d’utilisation et résultat pour chaque public |
| Versions successives du script avant l’export final | Options Turbo dans le cloud sur OmniArt | Comparez les prises réelles et le coût en crédits |
Au 26 octobre 2026, le catalogue public d’OmniArt propose Eleven v3 avec 74 langues, Multilingual v2 avec 29, Turbo v2.5 avec 32 et les deux variantes de MiniMax Speech 2.8 avec 39, hors sélection automatique de la langue. ElevenLabs nécessite le forfait Starter ou supérieur ; MiniMax Speech 2.8 est disponible avec le forfait Free. Les unités de crédits ci-dessous ont été vérifiées dans notre catalogue de modèles à la même date.
| Modèle sur OmniArt | Caractères pour 1 crédit, par bloc entamé | Crédits pour 1 000 caractères |
|---|---|---|
| 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 |
Chaque bloc de caractères entamé est facturé. Prévoyez le coût de chaque requête séparément : une nouvelle prise entraîne un nouveau coût de génération. L’accès par forfait et les crédits sont à vérifier séparément.
Essayez ce script d’accueil dans une application avec une voix de narrateur. Ce sont des exemples de texte à copier, pas des échantillons audio générés.
Utilisez le même script court comme point de départ pour des versions multilingues ; le texte à copier reste ici en anglais. Sélectionnez la langue adaptée et préparez un script traduit pour tester une interprétation localisée.
Pour les réglages d’interprétation, consultez notre guide des balises audio d’Eleven v3. L’article Eleven v4 face à v3 distingue le contexte de sortie des modèles disponibles ; le guide MiniMax Speech 2.8 décrit le flux de voix off dans le cloud.
Les points à surveiller#
Surveillez une correction du passage sur les licences dans le communiqué, la sortie d’autres langues et la publication de conditions commerciales pour le 40m. D’ici là, sélectionnez un dépôt de poids précis plutôt que de considérer « Phonon » comme une licence unique. Pour une voix off sur OmniArt, testez un court passage avant de dépenser des crédits pour le script entier.
Questions fréquentes#
Qu’est-ce que Gradium Phonon ?
Phonon est la famille de petits modèles de synthèse vocale à poids ouverts de Gradium, destinée à la synthèse locale hors ligne sur téléphones, ordinateurs portables, cartes embarquées et navigateurs. Sa première version stable, v0.4.0, est sortie le 20 octobre 2026 avec un environnement d’exécution en Rust sans PyTorch, d’après les notes de version de Gradium. C’est une option de déploiement sur votre propre matériel.
Puis-je utiliser Phonon à des fins commerciales ?
Les poids de Phonon 31m anglais sont sous Apache 2.0, qui autorise un usage commercial sous réserve de ses conditions. Les poids 40m par langue et multilingues sont sous CC BY-NC 4.0, réservée à un usage non commercial. La page produit de Gradium demande de contacter le service commercial pour un usage commercial de ces modèles. Vérifiez la fiche exacte avant de distribuer votre produit ; la licence de l’environnement d’exécution ne remplace pas les conditions des poids.
Quelles langues Phonon prend-il en charge ?
Au 26 octobre 2026, Phonon 31m ne couvre que l’anglais. La famille 40m couvre l’anglais, le français, l’allemand, l’espagnol et le portugais, avec un modèle distinct par langue ou un modèle multilingue unique. Ces poids 40m sont non commerciaux. Pour une liste plus large, comparez les modèles de voix dans le cloud du catalogue public d’OmniArt et testez votre langue cible.
Phonon est-il disponible sur OmniArt ?
Non. Phonon ne figure pas dans le catalogue d’OmniArt au 26 octobre 2026 ; vous le déployez sur votre propre matériel. OmniArt propose Eleven v3, Multilingual v2 et Turbo v2.5, ainsi que MiniMax Speech 2.8 HD et Turbo. Ils génèrent la voix dans le cloud et facturent des crédits par bloc de caractères entamé, l’accès par forfait dépendant du modèle.
Essayez la synthèse vocale dans le cloud sur OmniArt#
Ouvrez l’espace audio, choisissez un modèle de voix disponible et testez un script court. Comparez la prononciation, l’interprétation et les crédits avant de produire la narration complète. Choisissez Phonon séparément lorsque l’application elle-même doit fonctionner hors ligne.
