Gradium Phonon: vozes offline, limites de licença e quando escolher TTS na nuvem
A síntese de fala offline muda onde seu app funciona, mas os pesos ainda têm condições de uso. Compare as licenças e a implantação do Phonon com a locução na nuvem no OmniArt.
O Gradium Phonon traz a conversão de texto em fala por streaming para seu próprio hardware. Sua primeira versão estável (Abre em uma nova aba) foi lançada em 20 de outubro de 2026; a Gradium a anunciou publicamente no dia seguinte. Para um app offline, isso muda a necessidade de uma conexão funcionando para gerar fala. Para quem está finalizando uma locução, a implantação pode ser um trabalho desnecessário.
A distinção entre licenças vem primeiro: somente o Phonon 31m em inglês é Apache 2.0. Os modelos 40m, incluindo o multilíngue, usam CC BY-NC 4.0, para uso não comercial. O Phonon não está disponível no OmniArt em 26 de outubro de 2026. Nossas opções na nuvem são ElevenLabs e MiniMax Speech; escolha entre as duas abordagens de acordo com a função que seu áudio precisa cumprir.
O que significa TTS no dispositivo#
O TTS no dispositivo gera fala localmente depois da instalação dos arquivos necessários. O TTS na nuvem envia o roteiro a um serviço remoto e recebe o áudio. A inferência local pode manter a etapa de síntese offline; isso não torna todo o app privado se outros recursos continuarem enviando dados para outros lugares.
| Decisão | Síntese no dispositivo | TTS na nuvem |
|---|---|---|
| Conectividade | Pode falar sem rede após a configuração | Precisa de conexão para gerar |
| Tratamento do texto | Pode manter o texto da síntese no dispositivo | O roteiro é enviado ao serviço |
| Tempo de resposta | Evita uma ida e volta pela rede; depende do hardware | Depende da conexão e da resposta do serviço |
| Custo operacional | Processamento no dispositivo, empacotamento, testes e manutenção | Créditos por geração no OmniArt |
| Direção de voz e idiomas | Limitados pelos pesos e arquivos de voz instalados | Escolha entre os modelos e controles de voz disponíveis |
Se um leitor de tela precisa falar em um trem sem sinal, funcionar offline é um requisito. Se você está exportando a narração de um vídeo, o ouvinte reproduz o arquivo pronto; o gerador em si não precisa funcionar offline.
O que a Gradium lançou com o Phonon#
Estas são as especificações dos cartões de modelo no Hugging Face (Abre em uma nova aba), verificadas em 26 de outubro de 2026, e não os tamanhos de download de um aplicativo completo. A contagem de parâmetros exclui o tokenizador de áudio; os tamanhos se referem aos arquivos de pesos model.q8.gguf, quantizados em 8 bits.
| Modelo | Parâmetros | Idiomas | Pesos q8 | Licença dos pesos | Download com controle de acesso |
|---|---|---|---|---|---|
| Phonon 31m em inglês | 31M | Inglês | 64,5 MB | Apache 2.0 | Não |
| Phonon 40m por idioma | 40M | Um modelo separado para inglês, francês, alemão, espanhol ou português | 74,6 MB cada | CC BY-NC 4.0 | Aceite dos termos; aprovação automática |
| Phonon 40m multilíngue | 40M | Inglês, francês, alemão, espanhol, português | 74,6 MB | CC BY-NC 4.0 | Aceite dos termos; aprovação automática |
Os cartões especificam saída mono de 24 kHz. A página do produto (Abre em uma nova aba) da Gradium arredonda o download menor para 64 MB; seu comunicado de imprensa (Abre em uma nova aba) também cita 90 MB. Use o arquivo identificado no cartão do modelo ao calcular o armazenamento e, depois, meça o pacote completo e a memória em execução no dispositivo de destino.
As notas da v0.4.0 descrevem um ambiente de execução em Rust sem PyTorch, com opções para Python, navegador, Rust, Swift e Android. As formas de instalação incluem uvx ptts, pip install ptts, npm install phonon-tts e cargo add ptts. Há também um servidor compatível com OpenAI e suporte ao Wyoming para Home Assistant.
A lista de versões (Abre em uma nova aba), consultada em 26 de outubro, indica a v0.4.2 como a mais recente, após a v0.4.1. Os pacotes de modelos anexados continuam sendo os da v0.4.0. As notas mais recentes tratam de documentação e mudanças de plataforma, incluindo Mac Catalyst e avisos de licença do pacote para navegador; a v0.4.2 também adiciona uma opção de configuração do decodificador Mimi.
A questão da licença#
O comunicado de lançamento de 21 de outubro (Abre em uma nova aba) descreve os pesos multilíngues como Apache 2.0, mas aponta para o repositório 31m em inglês. Isso entra em conflito com os cartões de modelo, as notas da v0.4.0 e a página do produto: os pesos 40m, incluindo os multilíngues, são CC BY-NC 4.0.
Aviso
Somente o Phonon 31m em inglês tem pesos Apache 2.0. Os modelos 40m são não comerciais e têm controle de acesso; a página do produto da Gradium orienta usuários comerciais a entrar em contato com vendas. Confira o cartão exato de cada modelo no Hugging Face e seus termos antes de distribuir seu produto. Um ambiente de execução aberto não altera a licença dos pesos.
Segundo os cartões, o ambiente de execução é um projeto separado, licenciado sob MIT OR Apache-2.0. Mantenha essa distinção na análise de dependências: a permissão para redistribuir o código de inferência e a permissão para usar um modelo específico são questões distintas. Este artigo apresenta os documentos publicados, sem resolver condições comerciais personalizadas.
A criação de vozes é outro limite. A Gradium descreve clonagem e criação de vozes por sua API na nuvem, seguidas do download do arquivo de voz para síntese local. Isso não é clonagem de voz offline. Um projeto que exija uma configuração inteiramente offline precisa considerar como obtém as vozes, além de como gera a fala.
O desempenho do Phonon segundo o fornecedor#
A publicação técnica de 20 de outubro (Abre em uma nova aba) da Gradium informa as seguintes taxas de erro de palavras para frases difíceis em inglês. São resultados de testes divulgados pelo fornecedor, verificados em 26 de outubro de 2026, e não um teste de escuta do OmniArt.
| Modelo | WER em frases difíceis, publicação técnica (informado pelo fornecedor) |
|---|---|
| Phonon 31m | 1,70% |
| Phonon 40m multilíngue | 2,11% |
| Phonon 40m | 2,22% |
| Kokoro | 3,50% |
| Kitten TTS | 7,40% |
| NeuTTS Nano | 8,71% |
| Magpie | 27,51% |
O fornecedor escolheu as frases de teste, o modelo de transcrição qwen3.8-omni-flash e o avaliador de WER gemma-4-31b-it. Seu conjunto de dados público é gradium/tts-hard-sentences-202610 (Abre em uma nova aba). Um WER menor mede a precisão da transcrição nessa configuração, e não a interpretação, a amplitude emocional ou a adequação ao seu roteiro. O cartão do modelo phonon-31m-en (Abre em uma nova aba), consultado em 26 de outubro de 2026, traz números arredondados e diferentes de WER por LLM no conjunto difícil: 1,5% para o Phonon 31m, 2,0% para o 40m multilingual e 2,3% para o 40m English (dados do fornecedor). A tabela acima usa os números da publicação técnica.
A mesma publicação relata testes de escuta cegos com comparações em pares, 1.189 avaliadores e 17.270 votos. Também informa cerca de 7 ms até o primeiro áudio na CPU de um MacBook Air M5, contra 517 ms do Kokoro, e 38 ms com geração a 3,7× o tempo real para o 31m no Raspberry Pi 5. O tempo até o primeiro áudio do Kokoro cobre uma frase completa, pois ele não gera por streaming. Separadamente, a página do produto anuncia até 22× o tempo real no iPhone 16 Pro (informação do fornecedor).
Trate esses números como resultados específicos de cada dispositivo, e não como uma promessa de latência. Teste seu próprio hardware e exemplos representativos de nomes, números e frases antes de escolher um ambiente de execução.
Phonon no dispositivo e TTS na nuvem no OmniArt#
Use esta tabela de decisão como ponto de partida; ela orienta o fluxo de trabalho e não é uma classificação de qualidade medida.
| Seu requisito | Ponto de partida | O que conferir antes de decidir |
|---|---|---|
| Acessibilidade, diálogos de jogos ou interação embarcada offline em inglês | Phonon 31m | Recursos disponíveis no dispositivo, pronúncia e termos Apache 2.0 |
| Fala offline nos demais idiomas listados | Phonon 40m | Restrição não comercial ou condições comerciais separadas |
| Narração expressiva e interpretação dirigida de personagens | ElevenLabs no OmniArt | Teste a voz e a interpretação com seu roteiro |
| Locução multilíngue sem manter código de inferência | ElevenLabs ou MiniMax Speech no OmniArt | Idioma, termos de uso e resultado para cada público |
| Várias versões do roteiro antes da exportação final | Opções Turbo na nuvem no OmniArt | Compare as tomadas reais e o custo em créditos |
Em 26 de outubro de 2026, o catálogo público do OmniArt lista Eleven v3 com 74 idiomas, Multilingual v2 com 29, Turbo v2.5 com 32 e ambas as variantes do MiniMax Speech 2.8 com 39, sem contar a seleção automática de idioma. O ElevenLabs exige o plano Starter ou superior; o MiniMax Speech 2.8 está disponível no plano Free. As unidades de créditos abaixo foram conferidas no nosso catálogo de modelos na mesma data.
| Modelo no OmniArt | Caracteres por 1 crédito, por bloco iniciado | Créditos para 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 |
Cada bloco de caracteres iniciado é cobrado. Calcule cada solicitação separadamente: uma nova tomada gera outro custo de geração. O acesso pelo plano e os créditos precisam ser conferidos separadamente.
Experimente este roteiro de apresentação de um app com uma voz de narrador. São exemplos de texto copiáveis, e não amostras de áudio geradas.
Use o mesmo roteiro curto como ponto de partida para versões multilíngues; o texto copiável permanece em inglês aqui. Selecione o idioma adequado e prepare um roteiro traduzido ao testar uma interpretação localizada.
Para os controles de interpretação, veja nosso guia de tags de áudio do Eleven v3. O artigo Eleven v4 vs v3 separa o contexto do lançamento dos modelos disponíveis; o guia do MiniMax Speech 2.8 aborda o fluxo de locução na nuvem.
O que acompanhar#
Acompanhe uma eventual correção do texto sobre licenças no comunicado, o lançamento de outros idiomas e a publicação de condições comerciais para o 40m. Até lá, escolha um repositório exato de pesos, em vez de tratar “Phonon” como uma única licença. Para locução no OmniArt, teste um trecho curto antes de gastar créditos com o roteiro completo.
Perguntas frequentes#
O que é o Gradium Phonon?
Phonon é a família de pequenos modelos de texto em fala com pesos abertos da Gradium, voltada à síntese local e offline em celulares, notebooks, placas embarcadas e navegadores. Sua primeira versão estável, v0.4.0, foi lançada em 20 de outubro de 2026 com um ambiente de execução em Rust que dispensa PyTorch, segundo as notas de lançamento da Gradium. É uma opção de implantação no seu próprio hardware.
Posso usar o Phonon comercialmente?
Os pesos do Phonon 31m em inglês usam Apache 2.0, que permite uso comercial sujeito aos seus termos. Os pesos 40m por idioma e multilíngues usam CC BY-NC 4.0, para uso não comercial. A página do produto da Gradium orienta a entrar em contato com vendas para uso comercial desses modelos. Confira o cartão exato do modelo antes de distribuir seu produto; a licença do ambiente de execução não substitui os termos dos pesos.
Quais idiomas o Phonon oferece?
Em 26 de outubro de 2026, o Phonon 31m oferece somente inglês. A família 40m abrange inglês, francês, alemão, espanhol e português, com um modelo separado para cada idioma ou um único modelo multilíngue. Esses pesos 40m são não comerciais. Para uma lista maior de idiomas, compare os modelos de fala na nuvem do catálogo público do OmniArt e teste seu idioma de destino.
O Phonon está disponível no OmniArt?
Não. O Phonon não faz parte do catálogo do OmniArt em 26 de outubro de 2026; você o implanta no seu próprio hardware. O OmniArt oferece Eleven v3, Multilingual v2 e Turbo v2.5, além de MiniMax Speech 2.8 HD e Turbo. Eles geram fala na nuvem e cobram créditos por bloco de caracteres iniciado, com acesso por plano dependendo do modelo.
Experimente texto em fala na nuvem no OmniArt#
Abra o espaço de áudio, escolha um modelo de fala disponível e teste um roteiro curto. Compare pronúncia, interpretação e créditos antes de produzir a narração completa. Escolha o Phonon separadamente quando o próprio aplicativo precisar funcionar offline.
