Gradium Phonon: офлайн-голоса, ограничения лицензий и выбор облачного синтеза речи
Офлайн-синтез меняет место работы приложения, но условия использования весов сохраняются. Сравниваем лицензии и развёртывание Phonon с облачной озвучкой в OmniArt.
Gradium Phonon переносит потоковый синтез речи из текста на ваше оборудование. Его первый стабильный выпуск (Откроется в новой вкладке) вышел 20 октября 2026 года; на следующий день Gradium объявила о нём публично. Для офлайн-приложения это меняет зависимость речи от рабочего соединения. Для автора, который завершает озвучку, развёртывание может оказаться лишней работой.
В первую очередь важно различать лицензии: только англоязычная модель Phonon 31m распространяется по Apache 2.0. Модели 40m, включая многоязычную, используют некоммерческую лицензию CC BY-NC 4.0. По состоянию на 26 октября 2026 года Phonon недоступен в OmniArt. Наши облачные варианты — ElevenLabs и MiniMax Speech; выбирайте между подходами исходя из задачи вашего аудио.
Что означает синтез речи на устройстве#
Синтез речи на устройстве работает локально после установки необходимых файлов. Облачный синтез отправляет текст удалённому сервису и возвращает аудио. Локальный запуск модели позволяет выполнять этап синтеза офлайн; он не обеспечивает конфиденциальность всего приложения, если другие функции по-прежнему отправляют данные вовне.
| Критерий | Синтез на устройстве | Облачный синтез речи |
|---|---|---|
| Соединение | После настройки может говорить без сети | Для генерации требуется соединение |
| Обработка текста | Текст для синтеза может оставаться на устройстве | Текст отправляется сервису |
| Скорость отклика | Нет сетевого обмена запросом и ответом; важны характеристики оборудования | Зависит от соединения и отклика сервиса |
| Эксплуатационные затраты | Вычисления на устройстве, сборка пакета, тестирование и обслуживание | Кредиты за каждую генерацию в OmniArt |
| Управление подачей и языки | Ограничены установленными весами и файлами голосов | Выбор среди доступных моделей и настроек голоса |
Если программа чтения с экрана должна говорить в поезде без связи, работа офлайн — обязательное условие. Если вы экспортируете закадровый текст для видео, слушатель воспроизводит готовый файл; самому генератору работать офлайн необязательно.
Что выпустила Gradium в составе Phonon#
Ниже приведены характеристики из карточки модели на Hugging Face (Откроется в новой вкладке), проверенные 26 октября 2026 года, а не полные размеры загрузки приложения. Число параметров не включает аудиотокенизатор; размеры относятся к 8-битным квантованным файлам весов model.q8.gguf.
| Модель | Параметры | Языки | Веса q8 | Лицензия весов | Доступ к загрузке по условиям |
|---|---|---|---|---|---|
| Phonon 31m для английского | 31M | Английский | 64,5 МБ | Apache 2.0 | Нет |
| Phonon 40m для отдельного языка | 40M | Отдельная модель для английского, французского, немецкого, испанского или португальского | По 74,6 МБ | CC BY-NC 4.0 | Принятие условий; автоматическое одобрение |
| Phonon 40m, многоязычная | 40M | Английский, французский, немецкий, испанский, португальский | 74,6 МБ | CC BY-NC 4.0 | Принятие условий; автоматическое одобрение |
Карточки указывают монофонический вывод с частотой 24 кГц. На странице продукта (Откроется в новой вкладке) Gradium округляет меньшую загрузку до 64 МБ; в её пресс-релизе (Откроется в новой вкладке) также упоминаются 90 МБ. Рассчитывайте место по конкретному файлу из карточки модели, затем измеряйте полный пакет и потребление оперативной памяти на целевом устройстве.
Примечания к v0.4.0 описывают среду выполнения на Rust без PyTorch с вариантами для Python, браузера, Rust, Swift и Android. Среди способов подключения — uvx ptts, pip install ptts, npm install phonon-tts и cargo add ptts. Также есть сервер, совместимый с OpenAI, и поддержка Wyoming для Home Assistant.
В списке выпусков (Откроется в новой вкладке), проверенном 26 октября, последним указан v0.4.2, следующий за v0.4.1. Прикреплённые пакеты моделей по-прежнему относятся к v0.4.0. Новые примечания касаются документации и платформ, в том числе Mac Catalyst и уведомлений о лицензиях в браузерном пакете; v0.4.2 также добавляет настройку декодера Mimi.
Вопрос лицензирования#
В пресс-релизе о запуске от 21 октября (Откроется в новой вкладке) многоязычные веса описаны как Apache 2.0, при этом ссылка ведёт на репозиторий англоязычной модели 31m. Это противоречит карточкам моделей, примечаниям к v0.4.0 и странице продукта: веса 40m, включая многоязычные, распространяются по CC BY-NC 4.0.
Предупреждение
Только англоязычная модель Phonon 31m имеет веса по Apache 2.0. Модели 40m предназначены для некоммерческого использования, а загрузка требует принятия условий; страница продукта Gradium направляет коммерческих пользователей в отдел продаж. Перед выпуском проверяйте карточку каждой конкретной модели на Hugging Face и её условия. Открытая среда выполнения не меняет лицензию весов.
Согласно карточкам, среда выполнения — отдельный проект с лицензией MIT OR Apache-2.0. Учитывайте это различие при проверке зависимостей: разрешение распространять код запуска модели и разрешение использовать конкретную модель — разные вопросы. Эта статья передаёт содержание опубликованных документов и не определяет индивидуальные коммерческие условия.
Создание голосов — ещё одна граница. Gradium описывает клонирование и создание голосов через облачный API с последующей загрузкой файла голоса для локального синтеза. Это не офлайн-клонирование голоса. Проекту, которому нужна полностью автономная система, стоит учитывать и способ получения голосов, и способ генерации речи.
Как работает Phonon по данным разработчика#
В технической публикации Gradium от 20 октября (Откроется в новой вкладке) приведены следующие доли ошибок в словах для сложных английских предложений. Это результаты тестирования, заявленные разработчиком и проверенные 26 октября 2026 года, а не тест прослушивания OmniArt.
| Модель | WER на сложных предложениях из технической публикации (по данным разработчика) |
|---|---|
| Phonon 31m | 1,70 % |
| Phonon 40m, многоязычная | 2,11 % |
| Phonon 40m | 2,22 % |
| Kokoro | 3,50 % |
| Kitten TTS | 7,40 % |
| NeuTTS Nano | 8,71 % |
| Magpie | 27,51 % |
Разработчик выбрал тестовые предложения, модель транскрипции qwen3.8-omni-flash и модель оценки WER gemma-4-31b-it. Открытый набор данных — gradium/tts-hard-sentences-202610 (Откроется в новой вкладке). Меньший WER отражает точность транскрипции в этой конфигурации, а не актёрскую подачу, эмоциональный диапазон или пригодность для вашего текста. Карточка модели phonon-31m-en (Откроется в новой вкладке), проверенная 26 октября 2026 года, приводит другие, округлённые значения LLM WER на сложном наборе: 1,5% для Phonon 31m, 2,0% для 40m multilingual и 2,3% для 40m English (данные разработчика). В таблице выше использованы цифры из технической публикации.
Та же публикация сообщает о слепых попарных тестах прослушивания с 1 189 участниками и 17 270 голосами. В ней также указаны примерно 7 мс до первого аудио на процессоре MacBook Air M5 против 517 мс у Kokoro, а для модели 31m на Raspberry Pi 5 — 38 мс и генерация в 3,7× быстрее реального времени. Число для первого аудио Kokoro охватывает целое предложение, поскольку модель не поддерживает потоковую выдачу. На странице продукта отдельно заявлена скорость до 22× реального времени на iPhone 16 Pro (по данным разработчика).
Рассматривайте эти числа как результаты для конкретных устройств, а не обещание задержки. Перед выбором среды выполнения проверяйте собственное оборудование, типичные имена, числа и предложения.
Phonon на устройстве и облачный синтез речи в OmniArt#
Используйте таблицу как отправную точку; это рекомендации по процессу работы, а не измеренный рейтинг качества.
| Ваше требование | С чего начать | Что проверить перед выбором |
|---|---|---|
| Офлайн-функции доступности на английском, игровые диалоги или встроенные взаимодействия | Phonon 31m | Ресурсы устройства, произношение и условия Apache 2.0 |
| Офлайн-речь на других перечисленных языках | Phonon 40m | Некоммерческое ограничение или отдельные коммерческие условия |
| Выразительный закадровый текст и управляемая подача персонажей | ElevenLabs в OmniArt | Прослушайте голос и подачу на своём тексте |
| Многоязычная озвучка без обслуживания кода запуска моделей | ElevenLabs или MiniMax Speech в OmniArt | Язык, условия использования и результат для каждой аудитории |
| Повторные черновые версии текста перед финальным экспортом | Облачные варианты Turbo в OmniArt | Сравните реальные дубли и затраты кредитов |
По состоянию на 26 октября 2026 года в публичном каталоге OmniArt указаны Eleven v3 с 74 языками, Multilingual v2 с 29, Turbo v2.5 с 32 и оба варианта MiniMax Speech 2.8 с 39, без учёта автоматического выбора языка. Для ElevenLabs нужен тариф Starter или выше; MiniMax Speech 2.8 доступен на тарифе Free. Приведённые ниже единицы списания кредитов проверены по нашему каталогу моделей в ту же дату.
| Модель OmniArt | Символов за 1 кредит, каждый начатый блок | Кредитов за 1 000 символов |
|---|---|---|
| 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 |
Оплачивается каждый начатый блок символов. Рассчитывайте каждый запрос отдельно: новый дубль требует дополнительных затрат на генерацию. Доступ по тарифу и кредиты проверяются отдельно.
Попробуйте этот текст знакомства с приложением с голосом рассказчика. Это примеры текста для копирования, а не сгенерированные аудиозаписи.
Используйте тот же короткий текст как основу для многоязычных версий; здесь копируемый ввод остаётся на английском. Выберите нужный язык и подготовьте перевод текста, когда будете проверять локализованную подачу.
О настройках подачи читайте в нашем руководстве по аудиотегам Eleven v3. Статья о сравнении Eleven v4 и v3 отделяет контекст выпуска от доступных моделей; руководство по MiniMax Speech 2.8 описывает процесс облачной озвучки.
За чем следить#
Следите за исправлением формулировки лицензии в пресс-релизе, выпусками на дополнительных языках и публикацией коммерческих условий для 40m. Пока выбирайте конкретный репозиторий весов, не считая, что у всего Phonon одна лицензия. Для озвучки в OmniArt сначала прослушайте небольшой отрывок, прежде чем тратить кредиты на полный текст.
Частые вопросы#
Что такое Gradium Phonon?
Phonon — семейство небольших моделей синтеза речи из текста с открытыми весами от Gradium для локальной офлайн-работы на телефонах, ноутбуках, встраиваемых платах и в браузерах. Первый стабильный выпуск v0.4.0 вышел 20 октября 2026 года со средой выполнения на Rust, которой не нужен PyTorch, согласно примечаниям Gradium к выпуску. Это вариант развёртывания на вашем оборудовании.
Можно ли использовать Phonon коммерчески?
Веса англоязычной модели Phonon 31m распространяются по Apache 2.0, допускающей коммерческое использование при соблюдении её условий. Веса одноязычных и многоязычной моделей 40m используют некоммерческую лицензию CC BY-NC 4.0. Страница продукта Gradium предлагает обратиться в отдел продаж для коммерческого использования этих моделей. Перед выпуском проверяйте конкретную карточку модели; лицензия среды выполнения не заменяет условия весов.
Какие языки поддерживает Phonon?
По состоянию на 26 октября 2026 года Phonon 31m поддерживает только английский. Семейство 40m охватывает английский, французский, немецкий, испанский и португальский: отдельная модель для каждого языка или одна многоязычная. Эти веса 40m предназначены для некоммерческого использования. Если нужен более широкий список языков, сравните облачные речевые модели в публичном каталоге OmniArt и проверьте нужный язык.
Доступен ли Phonon в OmniArt?
Нет. По состоянию на 26 октября 2026 года Phonon отсутствует в каталоге OmniArt; вы развёртываете его на своём оборудовании. OmniArt предлагает Eleven v3, Multilingual v2 и Turbo v2.5, а также MiniMax Speech 2.8 HD и Turbo. Они генерируют речь в облаке и списывают кредиты за каждый начатый блок символов, а доступ по тарифу зависит от модели.
Попробовать облачный синтез речи в OmniArt#
Откройте рабочее пространство аудио, выберите доступную речевую модель и прослушайте короткий текст. Сравните произношение, подачу и затраты кредитов перед созданием полного закадрового текста. Выбирайте Phonon отдельно, когда работа офлайн требуется самому приложению.
