Gradium Phonon: giọng nói ngoại tuyến, giới hạn giấy phép và khi nên chọn TTS đám mây
Giọng nói ngoại tuyến thay đổi nơi app hoạt động, nhưng trọng số vẫn có điều khoản. So sánh giấy phép và yêu cầu triển khai Phonon với lồng tiếng đám mây trên OmniArt.
Gradium Phonon đưa tính năng chuyển văn bản thành giọng nói dạng luồng lên phần cứng của bạn. Bản ổn định đầu tiên (Mở trong thẻ mới) ra mắt ngày 20/10/2026; Gradium công bố rộng rãi vào ngày hôm sau. Với app ngoại tuyến, điều này thay đổi việc tính năng giọng nói có cần kết nối hoạt động hay không. Với người sáng tạo đang hoàn thiện bản lồng tiếng, tự triển khai có thể là công việc không cần thiết.
Trước hết cần phân biệt giấy phép: chỉ Phonon 31m tiếng Anh dùng Apache 2.0. Các mô hình 40m, kể cả bản đa ngôn ngữ, dùng CC BY-NC 4.0 dành cho mục đích phi thương mại. Tính đến 26/10/2026, Phonon chưa có trên OmniArt. Các lựa chọn đám mây của chúng tôi là ElevenLabs và MiniMax Speech; hãy chọn giữa hai hướng dựa trên việc bạn cần âm thanh thực hiện.
TTS trên thiết bị có nghĩa là gì#
TTS trên thiết bị tạo giọng nói cục bộ sau khi cài các tệp cần thiết. TTS đám mây gửi kịch bản đến dịch vụ từ xa rồi nhận âm thanh về. Suy luận cục bộ có thể giữ bước tổng hợp ở chế độ ngoại tuyến; điều đó không khiến toàn bộ app trở nên riêng tư, nếu các tính năng khác vẫn gửi dữ liệu ra ngoài.
| Yếu tố quyết định | Tổng hợp trên thiết bị | TTS đám mây |
|---|---|---|
| Kết nối | Có thể phát lời nói không cần mạng sau khi thiết lập | Cần kết nối để tạo âm thanh |
| Xử lý văn bản | Có thể giữ văn bản tổng hợp trên thiết bị | Kịch bản được gửi đến dịch vụ |
| Khả năng phản hồi | Tránh lượt truyền đi và về qua mạng; phần cứng có vai trò quan trọng | Phụ thuộc kết nối và phản hồi dịch vụ |
| Chi phí vận hành | Tài nguyên tính toán của thiết bị, đóng gói, kiểm thử và bảo trì | Tín dụng cho mỗi lượt tạo trên OmniArt |
| Chỉ đạo giọng đọc và ngôn ngữ | Giới hạn theo trọng số và tệp giọng đã cài | Chọn giữa các mô hình và công cụ điều khiển giọng có sẵn |
Nếu trình đọc màn hình phải nói được trên tàu không có sóng, hoạt động ngoại tuyến là yêu cầu bắt buộc. Nếu bạn xuất lời dẫn cho video, người nghe phát tệp đã hoàn thành; bản thân công cụ tạo không nhất thiết phải hoạt động ngoại tuyến.
Gradium Phonon đã phát hành những gì#
Đây là thông số từ thẻ mô hình Hugging Face (Mở trong thẻ mới), được kiểm tra ngày 26/10/2026, không phải dung lượng tải xuống của toàn bộ ứng dụng. Số tham số không bao gồm bộ mã hóa token âm thanh; dung lượng chỉ tệp trọng số model.q8.gguf lượng tử hóa 8 bit.
| Mô hình | Tham số | Ngôn ngữ | Trọng số q8 | Giấy phép trọng số | Điều kiện tải xuống |
|---|---|---|---|---|---|
| Phonon 31m English | 31M | Tiếng Anh | 64,5 MB | Apache 2.0 | Không |
| Phonon 40m, riêng từng ngôn ngữ | 40M | Mô hình riêng cho tiếng Anh, Pháp, Đức, Tây Ban Nha hoặc Bồ Đào Nha | Mỗi bản 74,6 MB | CC BY-NC 4.0 | Chấp nhận điều khoản; phê duyệt tự động |
| Phonon 40m multilingual | 40M | Tiếng Anh, Pháp, Đức, Tây Ban Nha, Bồ Đào Nha | 74,6 MB | CC BY-NC 4.0 | Chấp nhận điều khoản; phê duyệt tự động |
Các thẻ ghi đầu ra đơn âm 24 kHz. Trang sản phẩm (Mở trong thẻ mới) của Gradium làm tròn dung lượng tải xuống của bản nhỏ hơn thành 64 MB; thông cáo báo chí (Mở trong thẻ mới) cũng trích dẫn con số 90 MB. Khi dự trù dung lượng lưu trữ, hãy dùng tệp được nêu đích danh trên thẻ mô hình, rồi đo toàn bộ gói và bộ nhớ lúc chạy trên thiết bị đích.
Ghi chú v0.4.0 mô tả môi trường thực thi Rust không cần PyTorch, với các lựa chọn Python, trình duyệt, Rust, Swift và Android. Các cách bắt đầu gồm uvx ptts, pip install ptts, npm install phonon-tts và cargo add ptts. Ngoài ra còn có máy chủ tương thích OpenAI và hỗ trợ Wyoming cho Home Assistant.
Danh sách phát hành (Mở trong thẻ mới), kiểm tra ngày 26/10, ghi v0.4.2 là bản mới nhất sau v0.4.1. Các gói mô hình đính kèm vẫn là của v0.4.0. Ghi chú mới hơn đề cập các thay đổi về tài liệu và nền tảng, gồm Mac Catalyst và thông báo giấy phép trong gói trình duyệt; v0.4.2 cũng thêm tùy chọn cấu hình bộ giải mã Mimi.
Vấn đề giấy phép#
Thông cáo ra mắt ngày 21/10 (Mở trong thẻ mới) mô tả trọng số đa ngôn ngữ là Apache 2.0, trong khi dẫn đến kho tiếng Anh 31m. Điều này mâu thuẫn với thẻ mô hình, ghi chú phát hành v0.4.0 và trang sản phẩm: trọng số 40m, kể cả bản đa ngôn ngữ, dùng CC BY-NC 4.0.
Cảnh báo
Chỉ trọng số Phonon 31m tiếng Anh dùng Apache 2.0. Các mô hình 40m dành cho mục đích phi thương mại và yêu cầu chấp nhận điều khoản để tải; trang sản phẩm Gradium hướng người dùng thương mại đến bộ phận kinh doanh. Kiểm tra đúng thẻ mô hình Hugging Face và điều khoản trước khi đưa vào sản phẩm. Môi trường thực thi mở không thay đổi giấy phép trọng số.
Theo các thẻ, môi trường thực thi là dự án riêng dùng giấy phép MIT OR Apache-2.0. Giữ sự phân biệt đó khi rà soát các thành phần phụ thuộc: quyền phân phối lại mã suy luận và quyền dùng một mô hình cụ thể là hai vấn đề riêng. Bài viết trình bày các tài liệu đã công bố, không xác định điều khoản thương mại riêng theo thỏa thuận.
Tạo giọng là một ranh giới khác. Gradium mô tả việc nhân bản và thiết kế giọng qua API đám mây, sau đó tải tệp giọng xuống để tổng hợp cục bộ. Đó không phải nhân bản giọng ngoại tuyến. Dự án yêu cầu thiết lập hoàn toàn ngoại tuyến nên tính đến cả cách có được giọng, bên cạnh cách tạo lời nói.
Hiệu năng Phonon (nhà cung cấp báo cáo)#
Bài kỹ thuật ngày 20/10 (Mở trong thẻ mới) của Gradium báo cáo tỷ lệ lỗi từ trên các câu tiếng Anh khó dưới đây. Đây là kết quả đo do nhà cung cấp báo cáo, được kiểm tra ngày 26/10/2026, không phải thử nghiệm nghe của OmniArt.
| Mô hình | WER câu khó trong bài kỹ thuật (nhà cung cấp báo cáo) |
|---|---|
| Phonon 31m | 1,70% |
| Phonon 40m multilingual | 2,11% |
| Phonon 40m | 2,22% |
| Kokoro | 3,50% |
| Kitten TTS | 7,40% |
| NeuTTS Nano | 8,71% |
| Magpie | 27,51% |
Nhà cung cấp chọn câu thử nghiệm, mô hình phiên âm qwen3.8-omni-flash và mô hình đánh giá WER gemma-4-31b-it. Bộ dữ liệu công khai là gradium/tts-hard-sentences-202610 (Mở trong thẻ mới). WER thấp hơn đo độ chính xác phiên âm trong thiết lập này, không đo khả năng diễn xuất, phạm vi cảm xúc hay mức phù hợp với kịch bản của bạn. Thẻ mô hình phonon-31m-en (Mở trong thẻ mới), kiểm tra ngày 26/10/2026, ghi các số WER do LLM chấm trên bộ câu khó đã làm tròn và khác biệt: 1,5% cho Phonon 31m, 2,0% cho 40m multilingual và 2,3% cho 40m English (số liệu do nhà cung cấp công bố). Bảng trên dùng số liệu của bài kỹ thuật.
Cùng bài viết báo cáo thử nghiệm nghe so sánh từng cặp ẩn danh với 1.189 người đánh giá và 17.270 lượt bình chọn. Bài cũng báo cáo thời gian có âm thanh đầu tiên khoảng 7 ms trên CPU MacBook Air M5 so với 517 ms của Kokoro, cùng 38 ms và tốc độ tạo gấp 3,7 lần thời gian thực cho 31m trên Raspberry Pi 5. Con số âm thanh đầu tiên của Kokoro bao gồm cả câu hoàn chỉnh vì mô hình không phát dạng luồng. Trang sản phẩm tuyên bố riêng rằng tốc độ đạt tối đa 22 lần thời gian thực trên iPhone 16 Pro (nhà cung cấp báo cáo).
Hãy xem đây là kết quả theo từng thiết bị, không phải cam kết độ trễ. Thử trên phần cứng của bạn với tên riêng, số và câu đại diện cho công việc thực tế trước khi chọn môi trường thực thi.
Phonon trên thiết bị so với TTS đám mây trên OmniArt#
Dùng bảng quyết định này làm điểm khởi đầu; đây là hướng dẫn quy trình, không phải bảng xếp hạng chất lượng đo được.
| Yêu cầu của bạn | Điểm khởi đầu | Kiểm tra trước khi quyết định |
|---|---|---|
| Tính năng hỗ trợ tiếp cận bằng tiếng Anh, hội thoại trò chơi hoặc tương tác nhúng ngoại tuyến | Phonon 31m | Tài nguyên thiết bị, phát âm và điều khoản Apache 2.0 |
| Giọng nói ngoại tuyến bằng các ngôn ngữ khác đã liệt kê | Phonon 40m | Giới hạn phi thương mại hoặc điều khoản thương mại riêng |
| Lời dẫn giàu biểu cảm và giọng nhân vật có chỉ đạo diễn xuất | ElevenLabs trên OmniArt | Nghe thử giọng và cách thể hiện với kịch bản của bạn |
| Lồng tiếng đa ngôn ngữ mà không bảo trì mã suy luận | ElevenLabs hoặc MiniMax Speech trên OmniArt | Ngôn ngữ, điều khoản sử dụng và đầu ra cho từng nhóm khán giả |
| Sửa kịch bản nhiều lượt trước khi xuất bản cuối | Các lựa chọn Turbo đám mây trên OmniArt | So sánh bản thu thực tế và chi phí tín dụng |
Tính đến 26/10/2026, danh mục công khai OmniArt liệt kê Eleven v3 có 74 ngôn ngữ, Multilingual v2 có 29, Turbo v2.5 có 32 và cả hai biến thể MiniMax Speech 2.8 đều có 39, không tính lựa chọn ngôn ngữ tự động. ElevenLabs yêu cầu gói Starter trở lên; MiniMax Speech 2.8 có trên gói Free. Các đơn vị tín dụng dưới đây được đối chiếu với danh mục mô hình cùng ngày.
| Mô hình OmniArt | Số ký tự cho 1 tín dụng, tính cả khối chưa đủ | Tín dụng cho 1.000 ký tự |
|---|---|---|
| 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 |
Mỗi khối ký tự đã bắt đầu đều bị tính phí. Dự trù riêng từng yêu cầu: một bản thu mới phát sinh thêm chi phí cho lượt tạo. Quyền truy cập theo gói và tín dụng là hai mục cần kiểm tra riêng.
Thử kịch bản hướng dẫn dùng app này với giọng người dẫn chuyện. Đây là ví dụ văn bản có thể sao chép, không phải mẫu âm thanh đã tạo.
Dùng cùng kịch bản ngắn làm điểm khởi đầu cho các bản đa ngôn ngữ; nội dung đầu vào có thể sao chép tại đây vẫn là tiếng Anh. Chọn ngôn ngữ phù hợp và chuẩn bị kịch bản đã dịch khi thử cách thể hiện bản địa hóa.
Về điều khiển cách thể hiện, xem hướng dẫn thẻ âm thanh Eleven v3. Bài so sánh Eleven v4 và v3 tách bối cảnh phát hành khỏi các mô hình đang có; hướng dẫn MiniMax Speech 2.8 trình bày quy trình lồng tiếng đám mây.
Những điều cần theo dõi#
Theo dõi việc sửa câu chữ về giấy phép trong thông cáo báo chí, các ngôn ngữ phát hành thêm và điều khoản thương mại công khai cho 40m. Trong khi chờ đợi, hãy chọn đúng kho trọng số thay vì xem “Phonon” là một giấy phép duy nhất. Khi lồng tiếng trên OmniArt, nghe thử một đoạn ngắn trước khi dùng tín dụng cho toàn bộ kịch bản.
Câu hỏi thường gặp#
Gradium Phonon là gì?
Phonon là họ mô hình chuyển văn bản thành giọng nói nhỏ, mở trọng số của Gradium, để tổng hợp cục bộ ngoại tuyến trên điện thoại, máy tính xách tay, bo mạch nhúng và trình duyệt. Theo ghi chú phát hành Gradium, bản ổn định đầu tiên v0.4.0 ra mắt ngày 20/10/2026 với môi trường thực thi Rust không cần PyTorch. Đây là lựa chọn triển khai trên phần cứng của bạn.
Tôi có thể dùng Phonon cho mục đích thương mại không?
Trọng số Phonon 31m tiếng Anh dùng Apache 2.0, cho phép sử dụng thương mại theo điều khoản của giấy phép. Trọng số 40m riêng từng ngôn ngữ và đa ngôn ngữ dùng CC BY-NC 4.0 dành cho mục đích phi thương mại. Trang sản phẩm Gradium yêu cầu liên hệ bộ phận kinh doanh để dùng thương mại những mô hình đó. Kiểm tra đúng thẻ mô hình trước khi đưa vào sản phẩm; giấy phép môi trường thực thi không thay thế điều khoản trọng số.
Phonon hỗ trợ những ngôn ngữ nào?
Tính đến 26/10/2026, Phonon 31m chỉ có tiếng Anh. Họ 40m bao gồm tiếng Anh, Pháp, Đức, Tây Ban Nha và Bồ Đào Nha, dưới dạng mô hình riêng cho từng ngôn ngữ hoặc một mô hình đa ngôn ngữ. Các trọng số 40m đó dành cho mục đích phi thương mại. Nếu cần danh sách ngôn ngữ rộng hơn, hãy so sánh các mô hình giọng nói đám mây trong danh mục công khai OmniArt và thử ngôn ngữ đích.
Phonon có trên OmniArt không?
Không. Tính đến 26/10/2026, Phonon chưa có trong danh mục OmniArt; bạn triển khai trên phần cứng của mình. OmniArt cung cấp Eleven v3, Multilingual v2 và Turbo v2.5, cùng MiniMax Speech 2.8 HD và Turbo. Chúng tạo giọng nói trên đám mây và tính tín dụng theo từng khối ký tự đã bắt đầu, với quyền truy cập theo gói tùy mô hình.
Thử chuyển văn bản thành giọng nói đám mây trên OmniArt#
Mở studio âm thanh, chọn một mô hình giọng nói có sẵn và nghe thử kịch bản ngắn. So sánh phát âm, cách thể hiện và tín dụng trước khi tạo toàn bộ lời dẫn. Chọn Phonon riêng khi bản thân ứng dụng bắt buộc phải hoạt động ngoại tuyến.
