Gradium Phonon: głosy offline, ograniczenia licencji i wybór TTS w chmurze
Mowa offline zmienia miejsce działania aplikacji, ale wagi nadal mają warunki użycia. Porównaj licencje i wymagania wdrożenia Phonon z lektorem w chmurze na OmniArt.
Gradium Phonon przenosi strumieniową syntezę mowy z tekstu na twój własny sprzęt. Pierwsze stabilne wydanie (Otwiera się w nowej karcie) ukazało się 20 października 2026 r.; Gradium ogłosiło je publicznie następnego dnia. W aplikacji offline zmienia to zależność mowy od działającego połączenia. Dla twórcy kończącego nagranie lektorskie samodzielne wdrożenie może być zbędną pracą.
Najpierw warto rozróżnić licencje: tylko angielski model Phonon 31m ma licencję Apache 2.0. Modele 40m, w tym wielojęzyczny, korzystają z niekomercyjnej CC BY-NC 4.0. Na 26 października 2026 r. Phonon nie jest dostępny na OmniArt. Nasze opcje w chmurze to ElevenLabs i MiniMax Speech; wybieraj między tymi podejściami według zadania, jakie ma wykonać twoje audio.
Co oznacza TTS na urządzeniu#
TTS na urządzeniu generuje mowę lokalnie po zainstalowaniu potrzebnych plików. TTS w chmurze wysyła tekst do zdalnej usługi i zwraca audio. Lokalne wnioskowanie może utrzymać etap syntezy offline; nie zapewnia prywatności całej aplikacji, jeśli pozostałe funkcje nadal wysyłają dane gdzie indziej.
| Kryterium | Synteza na urządzeniu | TTS w chmurze |
|---|---|---|
| Łączność | Po konfiguracji może mówić bez sieci | Generowanie wymaga połączenia |
| Obsługa tekstu | Tekst do syntezy może pozostać na urządzeniu | Tekst trafia do usługi |
| Czas reakcji | Pomija przesłanie żądania i odpowiedzi przez sieć; sprzęt ma znaczenie | Zależy od połączenia i reakcji usługi |
| Koszt eksploatacji | Obliczenia na urządzeniu, przygotowanie pakietu, testy i utrzymanie | Kredyty za każde generowanie na OmniArt |
| Kierowanie głosem i języki | Ograniczone zainstalowanymi wagami i plikami głosów | Wybór dostępnych modeli i ustawień głosu |
Jeśli czytnik ekranu musi mówić w pociągu bez zasięgu, działanie offline jest wymaganiem. Jeśli eksportujesz narrację do wideo, słuchacz odtwarza gotowy plik; sam generator nie musi działać offline.
Co udostępniono w Gradium Phonon#
Poniżej podajemy specyfikację z karty modelu Hugging Face (Otwiera się w nowej karcie), sprawdzoną 26 października 2026 r., a nie pełne rozmiary aplikacji do pobrania. Liczba parametrów nie obejmuje tokenizatora audio; rozmiary odnoszą się do 8-bitowych skwantyzowanych plików wag model.q8.gguf.
| Model | Parametry | Języki | Wagi q8 | Licencja wag | Pobieranie po akceptacji warunków |
|---|---|---|---|---|---|
| Phonon 31m, angielski | 31M | Angielski | 64,5 MB | Apache 2.0 | Nie |
| Phonon 40m dla pojedynczego języka | 40M | Osobny model angielski, francuski, niemiecki, hiszpański lub portugalski | Po 74,6 MB | CC BY-NC 4.0 | Akceptacja warunków; automatyczne zatwierdzenie |
| Phonon 40m, wielojęzyczny | 40M | Angielski, francuski, niemiecki, hiszpański, portugalski | 74,6 MB | CC BY-NC 4.0 | Akceptacja warunków; automatyczne zatwierdzenie |
Karty określają wyjście mono 24 kHz. Strona produktu (Otwiera się w nowej karcie) Gradium zaokrągla mniejszy plik do 64 MB; komunikat prasowy (Otwiera się w nowej karcie) podaje też 90 MB. Planując miejsce, korzystaj z konkretnego pliku wskazanego na karcie modelu, a następnie zmierz cały pakiet i zużycie pamięci podczas działania na docelowym urządzeniu.
Informacje o v0.4.0 opisują środowisko wykonawcze Rust bez PyTorch, z opcjami dla Pythona, przeglądarki, Rust, Swift i Androida. Sposoby uruchomienia obejmują uvx ptts, pip install ptts, npm install phonon-tts i cargo add ptts. Jest też serwer zgodny z OpenAI oraz obsługa Wyoming dla Home Assistant.
Lista wydań (Otwiera się w nowej karcie), sprawdzona 26 października, wskazuje v0.4.2 jako najnowsze, po v0.4.1. Załączone pakiety modeli nadal pochodzą z v0.4.0. Nowsze informacje dotyczą dokumentacji i zmian platformowych, w tym Mac Catalyst oraz informacji licencyjnych w pakiecie przeglądarkowym; v0.4.2 dodaje też opcję konfiguracji dekodera Mimi.
Kwestia licencji#
Komunikat prasowy o premierze z 21 października (Otwiera się w nowej karcie) opisuje wagi wielojęzyczne jako Apache 2.0, a odsyła do repozytorium angielskiego 31m. Jest to sprzeczne z kartami modeli, informacjami o wydaniu v0.4.0 i stroną produktu: wagi 40m, w tym wielojęzyczne, mają licencję CC BY-NC 4.0.
Ostrzeżenie
Tylko angielski Phonon 31m ma wagi Apache 2.0. Modele 40m są niekomercyjne i wymagają akceptacji warunków pobierania; strona produktu Gradium kieruje użytkowników komercyjnych do działu sprzedaży. Przed wydaniem produktu sprawdź dokładną kartę każdego modelu na Hugging Face i jego warunki. Otwarte środowisko wykonawcze nie zmienia licencji wag.
Według kart środowisko wykonawcze jest osobnym projektem na licencji MIT OR Apache-2.0. Zachowaj to rozróżnienie przy przeglądzie zależności: zgoda na redystrybucję kodu wnioskowania i zgoda na użycie konkretnego modelu to osobne kwestie. Ten artykuł relacjonuje opublikowane dokumenty, a nie rozstrzyga indywidualne warunki komercyjne.
Tworzenie głosów to kolejna granica. Gradium opisuje klonowanie i projektowanie głosów przez swoje API w chmurze, a następnie pobranie pliku głosu do lokalnej syntezy. To nie jest klonowanie głosu offline. Projekt wymagający całkowicie lokalnej konfiguracji powinien uwzględniać sposób pozyskania głosów oraz generowania mowy.
Wydajność Phonon według danych producenta#
Wpis techniczny Gradium z 20 października (Otwiera się w nowej karcie) podaje następujące wskaźniki błędów słów dla trudnych zdań angielskich. To wyniki testów podane przez producenta, sprawdzone 26 października 2026 r., a nie test odsłuchowy OmniArt.
| Model | WER trudnych zdań, wpis techniczny (dane producenta) |
|---|---|
| Phonon 31m | 1,70% |
| Phonon 40m, wielojęzyczny | 2,11% |
| Phonon 40m | 2,22% |
| Kokoro | 3,50% |
| Kitten TTS | 7,40% |
| NeuTTS Nano | 8,71% |
| Magpie | 27,51% |
Producent wybrał zdania testowe, model transkrypcji qwen3.8-omni-flash oraz model oceniający WER gemma-4-31b-it. Publiczny zbiór danych to gradium/tts-hard-sentences-202610 (Otwiera się w nowej karcie). Niższy WER mierzy dokładność transkrypcji w tej konfiguracji, a nie grę aktorską, zakres emocji czy dopasowanie do twojego tekstu. Karta modelu phonon-31m-en (Otwiera się w nowej karcie), sprawdzona 26 października 2026 r., podaje inne, zaokrąglone wartości LLM WER dla trudnego zestawu: 1,5% dla Phonon 31m, 2,0% dla 40m multilingual i 2,3% dla 40m English (dane producenta). Powyższa tabela korzysta z liczb z wpisu technicznego.
Ten sam wpis opisuje ślepe testy odsłuchowe parami z 1 189 oceniającymi i 17 270 głosami. Podaje też około 7 ms do pierwszego dźwięku na CPU MacBooka Air M5 wobec 517 ms dla Kokoro oraz 38 ms i generowanie 3,7× szybciej niż czas rzeczywisty dla 31m na Raspberry Pi 5. Wynik pierwszego dźwięku Kokoro obejmuje całe zdanie, ponieważ model nie działa strumieniowo. Strona produktu osobno deklaruje do 22× czasu rzeczywistego na iPhonie 16 Pro (dane producenta).
Traktuj te liczby jako wyniki dla konkretnych urządzeń, a nie obietnicę opóźnienia. Przed wyborem środowiska wykonawczego przetestuj własny sprzęt oraz reprezentatywne nazwy, liczby i zdania.
Phonon na urządzeniu a TTS w chmurze na OmniArt#
Użyj tej tabeli jako punktu wyjścia; to wskazówki dotyczące przebiegu pracy, a nie zmierzony ranking jakości.
| Twoje wymaganie | Punkt wyjścia | Co sprawdzić przed wyborem |
|---|---|---|
| Angielska dostępność offline, dialogi w grze lub interakcje na urządzeniach wbudowanych | Phonon 31m | Zasoby urządzenia, wymowę i warunki Apache 2.0 |
| Mowa offline w pozostałych wymienionych językach | Phonon 40m | Ograniczenie niekomercyjne lub osobne warunki komercyjne |
| Ekspresyjna narracja i kierowana interpretacja postaci | ElevenLabs na OmniArt | Odsłuchaj głos i interpretację na swoim tekście |
| Wielojęzyczny lektor bez utrzymywania kodu wnioskowania | ElevenLabs lub MiniMax Speech na OmniArt | Język, warunki użycia i efekt dla każdej grupy odbiorców |
| Kolejne wersje tekstu przed końcowym eksportem | Opcje Turbo w chmurze na OmniArt | Porównaj rzeczywiste podejścia i koszt w kredytach |
Na 26 października 2026 r. publiczny katalog OmniArt wymienia Eleven v3 z 74 językami, Multilingual v2 z 29, Turbo v2.5 z 32 oraz oba warianty MiniMax Speech 2.8 z 39, bez automatycznego wyboru języka. ElevenLabs wymaga planu Starter lub wyższego; MiniMax Speech 2.8 jest dostępny w planie Free. Jednostki rozliczania kredytów poniżej sprawdzono w naszym katalogu modeli tego samego dnia.
| Model OmniArt | Znaki za 1 kredyt, każdy rozpoczęty blok | Kredyty za 1 000 znaków |
|---|---|---|
| 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 |
Opłata obejmuje każdy rozpoczęty blok znaków. Planuj koszt każdego żądania osobno: nowe podejście oznacza kolejny koszt generowania. Dostęp w planie i kredyty wymagają osobnego sprawdzenia.
Wypróbuj ten tekst wprowadzenia do aplikacji z głosem narratora. To przykłady tekstu do skopiowania, a nie wygenerowane próbki audio.
Użyj tego samego krótkiego tekstu jako punktu wyjścia dla wersji wielojęzycznych; tekst do skopiowania pozostaje tutaj po angielsku. Wybierz odpowiedni język i przygotuj tłumaczenie tekstu podczas testowania lokalnej wersji nagrania.
Ustawienia interpretacji opisuje nasz przewodnik po tagach audio Eleven v3. Artykuł Eleven v4 a v3 oddziela kontekst premiery od dostępnych modeli; przewodnik po MiniMax Speech 2.8 omawia proces tworzenia lektora w chmurze.
Co obserwować#
Śledź korektę sformułowania licencji w komunikacie prasowym, wydania dodatkowych języków i publiczne warunki komercyjne dla 40m. Do tego czasu wybieraj konkretne repozytorium wag, zamiast traktować „Phonon” jako jedną licencję. Przy lektorze na OmniArt odsłuchaj krótki fragment, zanim wydasz kredyty na pełny tekst.
Częste pytania#
Czym jest Gradium Phonon?
Phonon to rodzina małych modeli syntezy mowy z tekstu z otwartymi wagami od Gradium, przeznaczona do lokalnej syntezy offline na telefonach, laptopach, płytkach wbudowanych i w przeglądarkach. Zgodnie z informacjami Gradium pierwsze stabilne wydanie v0.4.0 ukazało się 20 października 2026 r. ze środowiskiem wykonawczym Rust, które nie wymaga PyTorch. To opcja wdrożenia na własnym sprzęcie.
Czy mogę używać Phonon komercyjnie?
Angielskie wagi Phonon 31m mają licencję Apache 2.0, która dopuszcza użycie komercyjne zgodnie z jej warunkami. Wagi jednojęzycznych i wielojęzycznego modelu 40m mają niekomercyjną licencję CC BY-NC 4.0. Strona produktu Gradium zaleca kontakt ze sprzedażą w sprawie komercyjnego użycia tych modeli. Przed wydaniem produktu sprawdź konkretną kartę modelu; licencja środowiska wykonawczego nie zastępuje warunków wag.
Jakie języki obsługuje Phonon?
Na 26 października 2026 r. Phonon 31m obsługuje tylko angielski. Rodzina 40m obejmuje angielski, francuski, niemiecki, hiszpański i portugalski — jako osobny model dla każdego języka lub jeden model wielojęzyczny. Te wagi 40m są niekomercyjne. Aby uzyskać szerszą listę języków, porównaj modele mowy w chmurze w publicznym katalogu OmniArt i przetestuj docelowy język.
Czy Phonon jest dostępny na OmniArt?
Nie. Na 26 października 2026 r. Phonon nie znajduje się w katalogu OmniArt; wdrażasz go na własnym sprzęcie. OmniArt oferuje Eleven v3, Multilingual v2 i Turbo v2.5 oraz MiniMax Speech 2.8 HD i Turbo. Generują mowę w chmurze i pobierają kredyty za każdy rozpoczęty blok znaków, a dostęp w planie zależy od modelu.
Wypróbuj syntezę mowy w chmurze na OmniArt#
Otwórz przestrzeń roboczą audio, wybierz dostępny model mowy i odsłuchaj krótki tekst. Porównaj wymowę, interpretację i kredyty przed przygotowaniem całej narracji. Wybierz Phonon osobno, gdy działanie offline jest wymaganiem samej aplikacji.
