Gradium Phonon: suara offline, batas lisensi dan kapan memilih TTS cloud
Ucapan offline mengubah tempat aplikasi Anda berjalan, tetapi bobot tetap memiliki ketentuan. Bandingkan lisensi dan kebutuhan penerapan Phonon dengan sulih suara cloud di OmniArt.
Gradium Phonon membawa teks ke ucapan secara streaming ke perangkat keras Anda sendiri. Rilis stabil pertamanya (Dibuka di tab baru) hadir pada 20 Oktober 2026; Gradium mengumumkannya kepada publik keesokan harinya. Bagi aplikasi offline, ini mengubah kebutuhan koneksi yang berfungsi untuk berbicara. Bagi kreator yang sedang menyelesaikan sulih suara, penerapan sendiri mungkin menjadi pekerjaan yang tidak Anda perlukan.
Perbedaan lisensi perlu diperhatikan terlebih dahulu: hanya Phonon 31m bahasa Inggris yang berlisensi Apache 2.0. Model 40m, termasuk versi multibahasa, menggunakan CC BY-NC 4.0 untuk penggunaan nonkomersial. Phonon tidak tersedia di OmniArt per 26 Oktober 2026. Pilihan cloud kami adalah ElevenLabs dan MiniMax Speech; pilih pendekatan berdasarkan pekerjaan yang harus dilakukan audio Anda.
Arti TTS pada perangkat#
TTS pada perangkat membuat ucapan secara lokal setelah file yang diperlukan terpasang. TTS cloud mengirim naskah ke layanan jarak jauh dan mengembalikan audio. Inferensi lokal dapat menjaga tahap sintesis tetap offline; ini tidak menjadikan seluruh aplikasi privat jika fitur lain masih mengirim data ke tempat lain.
| Pertimbangan | Sintesis pada perangkat | TTS cloud |
|---|---|---|
| Konektivitas | Dapat berbicara tanpa jaringan setelah penyiapan | Memerlukan koneksi untuk pembuatan |
| Penanganan teks | Dapat menyimpan teks sintesis pada perangkat | Naskah dikirim ke layanan |
| Respons | Menghindari perjalanan jaringan bolak-balik; perangkat keras berpengaruh | Bergantung pada koneksi dan respons layanan |
| Biaya operasional | Komputasi perangkat, pengemasan, pengujian dan pemeliharaan | Kredit untuk setiap pembuatan di OmniArt |
| Arahan suara dan bahasa | Dibatasi bobot dan file suara yang terpasang | Pilih model dan pengaturan suara yang tersedia |
Jika pembaca layar harus berbicara di kereta tanpa sinyal, operasi offline menjadi persyaratan. Jika Anda mengekspor narasi untuk video, pendengar memutar file yang sudah selesai; pembuat audio itu sendiri tidak harus offline.
Yang dirilis Gradium Phonon#
Berikut spesifikasi kartu model Hugging Face (Dibuka di tab baru) yang diperiksa pada 26 Oktober 2026, bukan ukuran unduhan aplikasi secara keseluruhan. Jumlah parameter tidak mencakup tokenizer audio; ukuran mengacu pada file bobot model.q8.gguf yang dikuantisasi 8 bit.
| Model | Parameter | Bahasa | Bobot q8 | Lisensi bobot | Unduhan dengan persetujuan |
|---|---|---|---|---|---|
| Phonon 31m bahasa Inggris | 31M | Inggris | 64,5 MB | Apache 2.0 | Tidak |
| Phonon 40m khusus bahasa | 40M | Model terpisah untuk bahasa Inggris, Prancis, Jerman, Spanyol atau Portugis | Masing-masing 74,6 MB | CC BY-NC 4.0 | Terima ketentuan; persetujuan otomatis |
| Phonon 40m multibahasa | 40M | Inggris, Prancis, Jerman, Spanyol, Portugis | 74,6 MB | CC BY-NC 4.0 | Terima ketentuan; persetujuan otomatis |
Kartu tersebut menyebutkan keluaran mono 24 kHz. Halaman produk (Dibuka di tab baru) Gradium membulatkan unduhan yang lebih kecil menjadi 64 MB; siaran persnya (Dibuka di tab baru) juga menyebut 90 MB. Gunakan file dengan nama spesifik pada kartu model saat menghitung kebutuhan penyimpanan, lalu ukur paket lengkap dan memori saat berjalan pada perangkat sasaran Anda.
Catatan v0.4.0 menjelaskan lingkungan eksekusi Rust tanpa PyTorch, dengan pilihan Python, browser, Rust, Swift dan Android. Cara menggunakannya mencakup uvx ptts, pip install ptts, npm install phonon-tts dan cargo add ptts. Ada pula server yang kompatibel dengan OpenAI serta dukungan Wyoming untuk Home Assistant.
Daftar rilis (Dibuka di tab baru), yang diperiksa pada 26 Oktober, mencantumkan v0.4.2 sebagai versi terbaru setelah v0.4.1. Paket model yang dilampirkan tetap berasal dari v0.4.0. Catatan yang lebih baru membahas perubahan dokumentasi dan platform, termasuk Mac Catalyst dan pemberitahuan lisensi paket browser; v0.4.2 juga menambahkan opsi konfigurasi dekoder Mimi.
Persoalan lisensi#
Siaran pers peluncuran pada 21 Oktober (Dibuka di tab baru) menyebut bobot multibahasa sebagai Apache 2.0, tetapi menautkan repositori 31m bahasa Inggris. Ini bertentangan dengan kartu model, catatan rilis v0.4.0 dan halaman produk: bobot 40m, termasuk multibahasa, berlisensi CC BY-NC 4.0.
Peringatan
Hanya Phonon 31m bahasa Inggris yang memiliki bobot Apache 2.0. Model 40m bersifat nonkomersial dan unduhannya memerlukan persetujuan; halaman produk Gradium mengarahkan pengguna komersial ke tim penjualan. Periksa kartu model Hugging Face yang tepat beserta ketentuannya sebelum merilis produk. Lingkungan eksekusi terbuka tidak mengubah lisensi bobot.
Menurut kartu model, lingkungan eksekusi merupakan proyek terpisah berlisensi MIT OR Apache-2.0. Pertahankan perbedaan itu dalam peninjauan dependensi: izin untuk mendistribusikan ulang kode inferensi dan izin untuk menggunakan model tertentu adalah dua hal terpisah. Artikel ini melaporkan dokumen yang diterbitkan, bukan menetapkan ketentuan komersial khusus.
Pembuatan suara menjadi batas lain. Gradium menjelaskan kloning dan desain suara melalui API cloud-nya, kemudian file suara diunduh untuk sintesis lokal. Ini bukan kloning suara offline. Proyek yang memerlukan penyiapan sepenuhnya offline perlu memperhitungkan cara memperoleh suara sekaligus cara membuat ucapan.
Performa Phonon menurut laporan pengembang#
Artikel teknis Gradium pada 20 Oktober (Dibuka di tab baru) melaporkan tingkat kesalahan kata berikut untuk kalimat sulit bahasa Inggris. Ini adalah hasil tolok ukur yang dilaporkan pengembang, diperiksa pada 26 Oktober 2026, bukan uji dengar OmniArt.
| Model | WER kalimat sulit, artikel teknis (dilaporkan pengembang) |
|---|---|
| Phonon 31m | 1,70% |
| Phonon 40m multibahasa | 2,11% |
| Phonon 40m | 2,22% |
| Kokoro | 3,50% |
| Kitten TTS | 7,40% |
| NeuTTS Nano | 8,71% |
| Magpie | 27,51% |
Pengembang memilih kalimat uji, model transkripsi qwen3.8-omni-flash dan penilai WER gemma-4-31b-it. Dataset publiknya adalah gradium/tts-hard-sentences-202610 (Dibuka di tab baru). WER yang lebih rendah mengukur akurasi transkripsi pada penyiapan ini, bukan kemampuan akting, rentang emosi atau kecocokan untuk naskah Anda. Kartu model phonon-31m-en (Dibuka di tab baru), yang diperiksa pada 26 Oktober 2026, mencantumkan angka WER LLM set sulit yang dibulatkan dan berbeda: 1,5% untuk Phonon 31m, 2,0% untuk 40m multilingual, dan 2,3% untuk 40m English (dilaporkan vendor). Tabel di atas memakai angka dari artikel teknis.
Artikel yang sama melaporkan uji dengar buta berpasangan dengan 1.189 penilai dan 17.270 suara. Artikel itu juga melaporkan sekitar 7 ms hingga audio pertama pada CPU MacBook Air M5 dibandingkan 517 ms untuk Kokoro, serta 38 ms dengan pembuatan 3,7× kecepatan waktu nyata untuk 31m pada Raspberry Pi 5. Angka audio pertama Kokoro mencakup satu kalimat lengkap karena tidak menggunakan streaming. Halaman produk secara terpisah mengklaim hingga 22× kecepatan waktu nyata pada iPhone 16 Pro (dilaporkan pengembang).
Perlakukan angka itu sebagai hasil khusus perangkat, bukan janji latensi. Uji perangkat keras Anda sendiri serta nama, angka dan kalimat yang mewakili kebutuhan Anda sebelum memilih lingkungan eksekusi.
Phonon pada perangkat vs TTS cloud di OmniArt#
Gunakan tabel keputusan ini sebagai titik awal; ini panduan alur kerja, bukan peringkat kualitas berdasarkan pengukuran.
| Kebutuhan Anda | Titik awal | Periksa sebelum memilih |
|---|---|---|
| Aksesibilitas bahasa Inggris offline, dialog game atau interaksi tertanam | Phonon 31m | Anggaran sumber daya perangkat, pelafalan dan ketentuan Apache 2.0 |
| Ucapan offline dalam bahasa lain yang tercantum | Phonon 40m | Batas nonkomersial atau ketentuan komersial terpisah |
| Narasi ekspresif dan penyampaian karakter dengan arahan | ElevenLabs di OmniArt | Dengarkan suara dan penyampaian pada naskah Anda |
| Sulih suara multibahasa tanpa memelihara kode inferensi | ElevenLabs atau MiniMax Speech di OmniArt | Bahasa, ketentuan penggunaan dan keluaran untuk setiap audiens |
| Draf naskah berulang sebelum ekspor akhir | Pilihan Turbo cloud di OmniArt | Bandingkan hasil pengambilan suara dan biaya kredit yang sebenarnya |
Per 26 Oktober 2026, katalog publik OmniArt mencantumkan Eleven v3 dengan 74 bahasa, Multilingual v2 dengan 29, Turbo v2.5 dengan 32 dan kedua varian MiniMax Speech 2.8 dengan 39, tidak termasuk pilihan bahasa otomatis. ElevenLabs memerlukan paket Starter atau lebih tinggi; MiniMax Speech 2.8 tersedia pada paket Free. Satuan kredit di bawah diperiksa berdasarkan katalog model kami pada tanggal yang sama.
| Model OmniArt | Karakter per 1 kredit, setiap blok yang mulai terpakai | Kredit untuk 1.000 karakter |
|---|---|---|
| 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 |
Setiap blok karakter yang mulai terpakai dikenai biaya. Hitung anggaran setiap permintaan secara terpisah: pengambilan suara baru menimbulkan biaya pembuatan lagi. Akses paket dan kredit perlu diperiksa secara terpisah.
Coba naskah pengenalan aplikasi ini dengan suara narator. Ini contoh teks yang dapat disalin, bukan sampel audio yang telah dibuat.
Gunakan naskah pendek yang sama sebagai titik awal versi multibahasa; masukan yang dapat disalin di sini tetap berbahasa Inggris. Pilih bahasa yang sesuai dan siapkan naskah terjemahan saat menguji penyampaian dalam bahasa lokal.
Untuk pengaturan penyampaian, lihat panduan tag audio Eleven v3 kami. Artikel Eleven v4 vs v3 memisahkan konteks rilis dari model yang tersedia; panduan MiniMax Speech 2.8 membahas alur kerja sulih suara cloud.
Hal yang perlu dipantau#
Pantau koreksi redaksi lisensi dalam siaran pers, rilis bahasa tambahan dan ketentuan komersial publik untuk 40m. Sementara itu, pilih repositori bobot yang spesifik alih-alih menganggap seluruh “Phonon” memiliki satu lisensi. Untuk sulih suara OmniArt, dengarkan bagian pendek sebelum menghabiskan kredit untuk seluruh naskah.
Pertanyaan umum#
Apa itu Gradium Phonon?
Phonon adalah keluarga model teks ke ucapan kecil dengan bobot terbuka dari Gradium untuk sintesis lokal dan offline pada ponsel, laptop, papan tertanam dan browser. Rilis stabil pertamanya, v0.4.0, hadir pada 20 Oktober 2026 dengan lingkungan eksekusi Rust tanpa kebutuhan PyTorch, menurut catatan rilis Gradium. Ini pilihan penerapan pada perangkat keras Anda sendiri.
Bisakah saya menggunakan Phonon secara komersial?
Bobot Phonon 31m bahasa Inggris berlisensi Apache 2.0, yang mengizinkan penggunaan komersial sesuai ketentuannya. Bobot 40m khusus bahasa dan multibahasa berlisensi CC BY-NC 4.0 untuk penggunaan nonkomersial. Halaman produk Gradium menyarankan Anda menghubungi tim penjualan untuk penggunaan komersial model tersebut. Periksa kartu model yang tepat sebelum merilis produk; lisensi lingkungan eksekusi tidak menggantikan ketentuan bobot.
Bahasa apa saja yang didukung Phonon?
Per 26 Oktober 2026, Phonon 31m hanya mendukung bahasa Inggris. Keluarga 40m mencakup bahasa Inggris, Prancis, Jerman, Spanyol dan Portugis, baik dalam model terpisah untuk setiap bahasa maupun satu model multibahasa. Bobot 40m tersebut bersifat nonkomersial. Untuk daftar bahasa lebih luas, bandingkan model ucapan cloud pada katalog publik OmniArt dan uji bahasa sasaran Anda.
Apakah Phonon tersedia di OmniArt?
Tidak. Phonon tidak ada dalam katalog OmniArt per 26 Oktober 2026; Anda menerapkannya pada perangkat keras sendiri. OmniArt menawarkan Eleven v3, Multilingual v2 dan Turbo v2.5, serta MiniMax Speech 2.8 HD dan Turbo. Model tersebut membuat ucapan di cloud dan mengenakan kredit per blok karakter yang mulai terpakai, dengan akses paket bergantung pada model.
Coba teks ke ucapan cloud di OmniArt#
Buka ruang kerja audio, pilih model ucapan yang tersedia dan dengarkan naskah pendek. Bandingkan pelafalan, penyampaian dan kredit sebelum membuat narasi lengkap. Pilih Phonon secara terpisah jika operasi offline menjadi persyaratan aplikasi itu sendiri.
