Gradium Phonon: офлайн-голоси, обмеження ліцензій і вибір хмарного синтезу мовлення
Офлайн-мовлення змінює місце роботи застосунку, але умови використання ваг залишаються. Порівнюємо ліцензії та розгортання Phonon із хмарним озвученням в OmniArt.
Gradium Phonon переносить потоковий синтез мовлення з тексту на ваше власне обладнання. Його перший стабільний випуск (Відкриється в новій вкладці) вийшов 20 жовтня 2026 року; наступного дня Gradium оголосила про нього публічно. Для офлайн-застосунку це змінює залежність мовлення від робочого з’єднання. Для автора, який завершує озвучення, розгортання може стати зайвою роботою.
Насамперед важливо розрізняти ліцензії: лише англомовна модель Phonon 31m має Apache 2.0. Моделі 40m, зокрема багатомовна, використовують некомерційну CC BY-NC 4.0. Станом на 26 жовтня 2026 року Phonon недоступний в OmniArt. Наші хмарні варіанти — ElevenLabs і MiniMax Speech; обирайте між двома підходами відповідно до завдання вашого аудіо.
Що означає синтез мовлення на пристрої#
Синтез мовлення на пристрої працює локально після встановлення потрібних файлів. Хмарний синтез надсилає текст віддаленому сервісу й повертає аудіо. Локальне виконання моделі може залишити етап синтезу офлайн; воно не робить увесь застосунок приватним, якщо інші функції досі надсилають дані назовні.
| Критерій | Синтез на пристрої | Хмарний синтез мовлення |
|---|---|---|
| З’єднання | Після налаштування може говорити без мережі | Для генерації потрібне з’єднання |
| Обробка тексту | Текст для синтезу може залишатися на пристрої | Текст надходить сервісу |
| Швидкість відгуку | Уникає мережевого обміну запитом і відповіддю; обладнання має значення | Залежить від з’єднання та відгуку сервісу |
| Експлуатаційні витрати | Обчислення на пристрої, пакування, тестування й обслуговування | Кредити за кожну генерацію в OmniArt |
| Керування подачею та мови | Обмежені встановленими вагами й файлами голосів | Вибір доступних моделей і налаштувань голосу |
Якщо програма читання з екрана має говорити в поїзді без зв’язку, робота офлайн — вимога. Якщо ви експортуєте закадровий текст для відео, слухач відтворює готовий файл; самому генератору працювати офлайн необов’язково.
Що випустила Gradium у складі Phonon#
Це характеристики з картки моделі Hugging Face (Відкриється в новій вкладці), перевірені 26 жовтня 2026 року, а не повні розміри завантаження застосунку. Кількість параметрів не враховує аудіотокенізатор; розміри стосуються 8-бітних квантованих файлів ваг model.q8.gguf.
| Модель | Параметри | Мови | Ваги q8 | Ліцензія ваг | Завантаження після згоди з умовами |
|---|---|---|---|---|---|
| Phonon 31m для англійської | 31M | Англійська | 64,5 МБ | Apache 2.0 | Ні |
| Phonon 40m для окремої мови | 40M | Окрема модель для англійської, французької, німецької, іспанської або португальської | По 74,6 МБ | CC BY-NC 4.0 | Прийняття умов; автоматичне схвалення |
| Phonon 40m, багатомовна | 40M | Англійська, французька, німецька, іспанська, португальська | 74,6 МБ | CC BY-NC 4.0 | Прийняття умов; автоматичне схвалення |
Картки вказують монофонічний вихід із частотою 24 кГц. На сторінці продукту (Відкриється в новій вкладці) Gradium округлює менше завантаження до 64 МБ; у її пресрелізі (Відкриється в новій вкладці) також наведено 90 МБ. Плануючи сховище, орієнтуйтеся на конкретний файл із картки моделі, а потім вимірюйте повний пакет і використання оперативної пам’яті на цільовому пристрої.
Примітки до v0.4.0 описують середовище виконання Rust без PyTorch з варіантами для Python, браузера, Rust, Swift та Android. Способи підключення включають uvx ptts, pip install ptts, npm install phonon-tts і cargo add ptts. Також є сервер, сумісний з OpenAI, та підтримка Wyoming для Home Assistant.
У списку випусків (Відкриється в новій вкладці), перевіреному 26 жовтня, найновішим зазначено v0.4.2 після v0.4.1. Прикріплені пакети моделей залишаються від v0.4.0. Нові примітки охоплюють документацію та зміни платформ, зокрема Mac Catalyst і ліцензійні повідомлення браузерного пакета; v0.4.2 також додає параметр налаштування декодера Mimi.
Питання ліцензії#
Пресреліз про запуск від 21 жовтня (Відкриється в новій вкладці) описує багатомовні ваги як Apache 2.0, водночас посилаючись на репозиторій англомовної 31m. Це суперечить карткам моделей, приміткам до v0.4.0 і сторінці продукту: ваги 40m, зокрема багатомовні, мають CC BY-NC 4.0.
Попередження
Лише англомовна модель Phonon 31m має ваги Apache 2.0. Моделі 40m призначені для некомерційного використання, а завантаження потребує прийняття умов; сторінка продукту Gradium спрямовує комерційних користувачів до відділу продажів. Перед випуском перевіряйте кожну конкретну картку моделі Hugging Face та її умови. Відкрите середовище виконання не змінює ліцензію ваг.
За даними карток, середовище виконання — окремий проєкт із ліцензією MIT OR Apache-2.0. Зберігайте цю відмінність під час перевірки залежностей: дозвіл поширювати код виконання моделі й дозвіл використовувати конкретну модель — окремі питання. Ця стаття переказує опубліковані документи, а не визначає індивідуальні комерційні умови.
Створення голосів — ще одна межа. Gradium описує клонування й проєктування голосів через свій хмарний API з подальшим завантаженням файла голосу для локального синтезу. Це не офлайн-клонування голосу. Проєкт, якому потрібне повністю автономне налаштування, має враховувати і спосіб отримання голосів, і спосіб генерації мовлення.
Як працює Phonon за даними розробника#
У технічній публікації Gradium від 20 жовтня (Відкриється в новій вкладці) наведено такі частки помилок у словах для складних англійських речень. Це результати тестів за даними розробника, перевірені 26 жовтня 2026 року, а не тест прослуховування OmniArt.
| Модель | WER складних речень, технічна публікація (дані розробника) |
|---|---|
| Phonon 31m | 1,70 % |
| Phonon 40m, багатомовна | 2,11 % |
| Phonon 40m | 2,22 % |
| Kokoro | 3,50 % |
| Kitten TTS | 7,40 % |
| NeuTTS Nano | 8,71 % |
| Magpie | 27,51 % |
Розробник вибрав тестові речення, модель транскрипції qwen3.8-omni-flash та оцінювача WER gemma-4-31b-it. Відкритий набір даних — gradium/tts-hard-sentences-202610 (Відкриється в новій вкладці). Нижчий WER вимірює точність транскрипції в цій конфігурації, а не акторську подачу, емоційний діапазон чи придатність для вашого тексту. Картка моделі phonon-31m-en (Відкриється в новій вкладці), перевірена 26 жовтня 2026 року, наводить інші, округлені значення LLM WER на складному наборі: 1,5% для Phonon 31m, 2,0% для 40m multilingual і 2,3% для 40m English (дані розробника). Таблиця вище використовує цифри з технічної публікації.
Та сама публікація повідомляє про сліпі попарні тести прослуховування з 1 189 оцінювачами й 17 270 голосами. Вона також наводить приблизно 7 мс до першого аудіо на процесорі MacBook Air M5 проти 517 мс для Kokoro та 38 мс із генерацією у 3,7× швидше за реальний час для 31m на Raspberry Pi 5. Показник першого аудіо Kokoro охоплює повне речення, оскільки модель не має потокової видачі. Сторінка продукту окремо заявляє до 22× реального часу на iPhone 16 Pro (за даними розробника).
Сприймайте ці числа як результати для конкретних пристроїв, а не обіцянку затримки. Перед вибором середовища виконання перевірте власне обладнання й типові імена, числа та речення.
Phonon на пристрої та хмарний синтез мовлення в OmniArt#
Використовуйте цю таблицю як відправну точку; це поради щодо робочого процесу, а не виміряний рейтинг якості.
| Ваша вимога | З чого почати | Що перевірити перед вибором |
|---|---|---|
| Офлайн-доступність англійською, ігрові діалоги або взаємодія на вбудованих пристроях | Phonon 31m | Ресурси пристрою, вимову та умови Apache 2.0 |
| Офлайн-мовлення іншими переліченими мовами | Phonon 40m | Некомерційне обмеження або окремі комерційні умови |
| Виразний закадровий текст і керована подача персонажів | ElevenLabs в OmniArt | Прослухайте голос і подачу на своєму тексті |
| Багатомовне озвучення без підтримки коду виконання моделей | ElevenLabs або MiniMax Speech в OmniArt | Мову, умови використання й результат для кожної аудиторії |
| Повторні чернетки тексту перед фінальним експортом | Хмарні варіанти Turbo в OmniArt | Порівняйте фактичні дублі й витрати кредитів |
Станом на 26 жовтня 2026 року публічний каталог OmniArt містить Eleven v3 із 74 мовами, Multilingual v2 із 29, Turbo v2.5 із 32 та обидва варіанти MiniMax Speech 2.8 із 39, без урахування автоматичного вибору мови. ElevenLabs потребує тарифу Starter або вищого; MiniMax Speech 2.8 доступний на тарифі Free. Наведені нижче одиниці списання кредитів перевірено за нашим каталогом моделей тієї самої дати.
| Модель OmniArt | Символів за 1 кредит, кожен розпочатий блок | Кредитів за 1 000 символів |
|---|---|---|
| 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 |
Оплачується кожен розпочатий блок символів. Розраховуйте кожен запит окремо: новий дубль означає додаткову вартість генерації. Доступ за тарифом і кредити перевіряються окремо.
Спробуйте цей вступний текст для застосунку з голосом оповідача. Це текстові приклади для копіювання, а не згенеровані аудіозразки.
Використовуйте той самий короткий текст як основу для багатомовних версій; тут текст для копіювання залишається англійською. Виберіть потрібну мову й підготуйте переклад тексту, коли перевірятимете локалізовану подачу.
Про налаштування подачі читайте в нашому посібнику з аудіотегів Eleven v3. Стаття про порівняння Eleven v4 і v3 відділяє контекст випуску від доступних моделей; посібник із MiniMax Speech 2.8 описує робочий процес хмарного озвучення.
За чим стежити#
Стежте за виправленням формулювання ліцензії в пресрелізі, випусками додаткових мов і публікацією комерційних умов для 40m. До того часу обирайте конкретний репозиторій ваг, а не сприймайте «Phonon» як одну ліцензію. Для озвучення в OmniArt прослухайте короткий уривок, перш ніж витрачати кредити на весь текст.
Поширені запитання#
Що таке Gradium Phonon?
Phonon — сімейство невеликих моделей синтезу мовлення з тексту з відкритими вагами від Gradium для локальної офлайн-роботи на телефонах, ноутбуках, вбудованих платах і в браузерах. Перший стабільний випуск v0.4.0 вийшов 20 жовтня 2026 року із середовищем виконання Rust, яке не потребує PyTorch, згідно з примітками Gradium до випуску. Це варіант розгортання на вашому обладнанні.
Чи можна використовувати Phonon комерційно?
Англомовні ваги Phonon 31m мають Apache 2.0, яка дозволяє комерційне використання за її умовами. Ваги одномовних і багатомовної моделей 40m мають некомерційну ліцензію CC BY-NC 4.0. Сторінка продукту Gradium радить звернутися до відділу продажів щодо комерційного використання цих моделей. Перед випуском перевірте конкретну картку моделі; ліцензія середовища виконання не замінює умов ваг.
Які мови підтримує Phonon?
Станом на 26 жовтня 2026 року Phonon 31m підтримує лише англійську. Сімейство 40m охоплює англійську, французьку, німецьку, іспанську та португальську: окремою моделлю для кожної мови або однією багатомовною. Ці ваги 40m призначені для некомерційного використання. Щоб знайти ширший список мов, порівняйте хмарні мовленнєві моделі в публічному каталозі OmniArt і перевірте потрібну мову.
Чи доступний Phonon в OmniArt?
Ні. Станом на 26 жовтня 2026 року Phonon відсутній у каталозі OmniArt; ви розгортаєте його на власному обладнанні. OmniArt пропонує Eleven v3, Multilingual v2 і Turbo v2.5, а також MiniMax Speech 2.8 HD і Turbo. Вони генерують мовлення у хмарі та списують кредити за кожен розпочатий блок символів, а доступ за тарифом залежить від моделі.
Спробувати хмарний синтез мовлення в OmniArt#
Відкрийте робочий простір аудіо, виберіть доступну мовленнєву модель і прослухайте короткий текст. Порівняйте вимову, подачу й кредити перед створенням усього закадрового тексту. Обирайте Phonon окремо, коли робота офлайн є вимогою самого застосунку.
