Gradium
离线语音改变应用的运行方式，但模型权重仍有使用条款。了解 Phonon 的许可和部署要求，以及它与 OmniArt 云端配音的区别。
Gradium Phonon 让流式文本转语音在你自己的硬件上运行。首个稳定版本 (在新标签页中打开)于 2026 年 10 月 20 日发布，Gradium 在次日正式对外公布。对于离线应用，这改变了语音功能是否依赖可用网络。对于正在完成配音的创作者，自行部署可能是额外且不必要的工作。
首先要分清许可：只有 Phonon 31m 英语版采用 Apache 2.0。包括多语言版在内的 40m 模型均采用非商用的 CC BY-NC 4.0。截至 2026 年 10 月 26 日，OmniArt 尚未提供 Phonon。我们的云端选择是 ElevenLabs 和 MiniMax Speech；应根据音频需要完成的任务来选择这两种方式。
端侧 TTS 是什么#
端侧 TTS 在安装所需文件后，本地生成语音。云端 TTS 则把文稿发送给远程服务，再返回音频。本地推理可以让语音合成这一步离线运行；如果其他功能仍向外发送数据，并不意味着整个应用都具有隐私保护。
| 决策因素 | 端侧合成 | 云端 TTS |
|---|---|---|
| 网络连接 | 完成设置后，无网络也能发声 | 生成时需要网络连接 |
| 文本处理 | 可以让合成文本留在设备上 | 文稿发送至服务端 |
| 响应速度 | 省去网络往返，实际表现取决于硬件 | 取决于网络和服务响应 |
| 运行成本 | 设备算力、打包、测试与维护 | 在 OmniArt 上每次生成消耗积分 |
| 声音指导与语言 | 受已安装权重和声音文件限制 | 从可用模型和声音控制选项中选择 |
如果屏幕阅读器必须在没有信号的列车上发声，离线运行就是必要条件。如果你只是为视频导出旁白，听众播放的是成品文件，生成工具本身不一定需要离线。
Gradium Phonon 发布了什么#
以下规格来自 2026 年 10 月 26 日核对的 Hugging Face 模型卡 (在新标签页中打开)，并非完整应用的下载体积。参数量不包含音频分词器；大小指 8 位量化的 model.q8.gguf 权重文件。
| 模型 | 参数量 | 语言 | q8 权重 | 权重许可 | 下载准入 |
|---|---|---|---|---|---|
| Phonon 31m English | 31M | 英语 | 64.5 MB | Apache 2.0 | 无 |
| Phonon 40m，各语言独立版 | 40M | 英语、法语、德语、西班牙语或葡萄牙语各有独立模型 | 每个 74.6 MB | CC BY-NC 4.0 | 接受条款后自动批准 |
| Phonon 40m multilingual | 40M | 英语、法语、德语、西班牙语、葡萄牙语 | 74.6 MB | CC BY-NC 4.0 | 接受条款后自动批准 |
模型卡注明输出为单声道 24 kHz。Gradium 的产品页面 (在新标签页中打开)将较小模型的下载体积取整为 64 MB；新闻稿 (在新标签页中打开)中还引用了 90 MB 的说法。规划存储空间时，应使用模型卡所指明文件的大小，再在目标设备上测量完整安装包和运行时内存。
v0.4.0 说明介绍了不依赖 PyTorch 的 Rust 运行时，提供 Python、浏览器、Rust、Swift 和 Android 选项。入口包括 uvx ptts、pip install ptts、npm install phonon-tts 和 cargo add ptts。此外还提供兼容 OpenAI 的服务器，以及面向 Home Assistant 的 Wyoming 支持。
10 月 26 日核对的版本列表 (在新标签页中打开)显示，v0.4.1 之后的最新版本为 v0.4.2。附带的模型包仍沿用 v0.4.0。较新版本的说明涉及文档和平台改动，包括 Mac Catalyst 和浏览器包的许可声明；v0.4.2 还加入了 Mimi 解码器配置选项。
许可问题#
10 月 21 日的发布新闻稿 (在新标签页中打开)将多语言权重描述为 Apache 2.0，却链接到英语 31m 仓库。这与模型卡、v0.4.0 发行说明和产品页面相冲突：包括多语言版在内的 40m 权重采用 CC BY-NC 4.0。
警告
只有 Phonon 31m 英语版权重采用 Apache 2.0。40m 模型仅限非商用，并且下载需要接受条款；Gradium 的产品页面引导商业用户联系销售。发布产品前，应核对对应的 Hugging Face 模型卡及其条款。运行时开放并不会改变权重许可。
根据模型卡，运行时是独立项目，采用 MIT OR Apache-2.0。审查依赖时要保留这一区别：是否允许再分发推理代码，与是否允许使用某个模型，是两个问题。本文介绍已发布的文档，不替厂商界定定制商用条款。
声音创建是另一条边界。Gradium 描述的流程是通过其云端 API 克隆和设计声音，再下载声音文件用于本地合成。这并不是离线声音克隆。需要全程离线设置的项目，既要考虑如何生成语音，也要考虑如何获取声音。
Phonon 的性能表现（服务商报告）#
Gradium 的 10 月 20 日技术文章 (在新标签页中打开)报告了以下英语难句词错误率。这些是于 2026 年 10 月 26 日核对的服务商基准测试结果，并非 OmniArt 的试听测试。
| 模型 | 技术文章中的难句 WER（服务商报告） |
|---|---|
| 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% |
测试句子、转写模型 qwen3.8-omni-flash 和 WER 评判模型 gemma-4-31b-it 均由服务商选择。公开数据集为 gradium/tts-hard-sentences-202610 (在新标签页中打开)。较低的 WER 衡量的是这套测试设置下的转写准确率，而非表演、情感范围或与你的文稿的适配度。2026 年 10 月 26 日查看的 phonon-31m-en 模型卡 (在新标签页中打开) 给出了不同的、四舍五入后的难句集 LLM WER：Phonon 31m 为 1.5%，40m multilingual 为 2.0%，40m English 为 2.3%（厂商自报）。上表采用技术文章中的数字。
同一篇文章报告了由 1,189 名评审、17,270 次投票组成的两两盲听对比测试。它还报告，在 MacBook Air M5 CPU 上，首段音频延迟约为 7 ms，Kokoro 则为 517 ms；在 Raspberry Pi 5 上，31m 的首段音频延迟为 38 ms，生成速度为实时的 3.7 倍。Kokoro 不支持流式输出，因此它的首段音频数字覆盖完整句子。产品页面另称，在 iPhone 16 Pro 上最高可达实时的 22 倍（服务商报告）。
应将这些视为特定设备上的结果，而非延迟承诺。选择运行时之前，要在自己的硬件上测试具有代表性的人名、数字和句子。
端侧 Phonon 与 OmniArt 云端 TTS 对比#
可以将下表作为选择的起点；这是工作流程建议，不是实测音质排名。
| 你的需求 | 起点 | 确定使用前要检查 |
|---|---|---|
| 离线英语无障碍功能、游戏对话或嵌入式交互 | Phonon 31m | 设备资源预算、发音与 Apache 2.0 条款 |
| 其他已列语言的离线语音 | Phonon 40m | 非商用限制或单独的商用条款 |
| 富有表现力的旁白和可指导的角色演绎 | OmniArt 上的 ElevenLabs | 用自己的文稿试听声音与演绎 |
| 无需维护推理代码的多语言配音 | OmniArt 上的 ElevenLabs 或 MiniMax Speech | 各类受众对应的语言、使用条款与输出 |
| 最终导出前反复修改文稿 | OmniArt 上的云端 Turbo 选项 | 比较实际录音版本和积分成本 |
截至 2026 年 10 月 26 日，OmniArt 公开目录列出的语言数量为：Eleven v3 为 74 种，Multilingual v2 为 29 种，Turbo v2.5 为 32 种，两个 MiniMax Speech 2.8 版本均为 39 种，不包含自动语言选择。ElevenLabs 需要 Starter 或更高套餐；MiniMax Speech 2.8 可在 Free 套餐使用。下方积分计费单位已于同日对照模型目录核实。
| OmniArt 模型 | 每 1 积分对应字符数，不足一块按一块计 | 1,000 字符所需积分 |
|---|---|---|
| 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 |
字符块只要开始使用就会计费。每次请求都要单独计算预算：重新生成一版会再次产生生成成本。套餐权限与积分需要分别检查。
用旁白声音尝试这段应用新手引导文稿。这些是可复制的文本示例，不是已生成的音频样本。
制作多语言版本时，可以从同一段短文稿开始；这里可复制的输入保留英语。测试本地化演绎时，选择相应语言并准备翻译后的文稿。
有关演绎控制，参阅 Eleven v3 音频标签指南。Eleven v4 与 v3 对比文章区分了发布背景与现有可用模型；MiniMax Speech 2.8 指南介绍云端配音流程。
后续关注#
关注新闻稿是否修正许可措辞、是否发布更多语言，以及 40m 的商用条款是否公开。在此之前，应选定具体的权重仓库，不要把“Phonon”视为采用同一种许可的整体。在 OmniArt 配音时，先试听短段落，再为整篇文稿消耗积分。
常见问题#
Gradium Phonon 是什么？
Phonon 是 Gradium 的小型开放权重文本转语音模型系列，可在手机、笔记本电脑、嵌入式开发板和浏览器中进行本地离线合成。根据 Gradium 发行说明，其首个稳定版本 v0.4.0 于 2026 年 10 月 20 日发布，搭载无需 PyTorch 的 Rust 运行时。它是部署在你自己硬件上的一种选择。
Phonon 可以商用吗？
Phonon 31m 英语版权重采用 Apache 2.0，在遵守条款的前提下允许商用。40m 的各语言独立版和多语言版权重均采用非商用的 CC BY-NC 4.0。Gradium 产品页面说明，这些模型若需商用应联系销售。发布产品前应核对具体模型卡；运行时许可不能替代权重条款。
Phonon 支持哪些语言？
截至 2026 年 10 月 26 日，Phonon 31m 仅支持英语。40m 系列涵盖英语、法语、德语、西班牙语和葡萄牙语，既有各语言独立模型，也有单个多语言模型。这些 40m 权重仅限非商用。如果需要更广的语言范围，可以比较 OmniArt 公开目录中的云端语音模型，并测试目标语言。
OmniArt 提供 Phonon 吗？
不提供。截至 2026 年 10 月 26 日，Phonon 尚未列入 OmniArt 目录；你需要将它部署在自己的硬件上。OmniArt 提供 Eleven v3、Multilingual v2、Turbo v2.5，以及 MiniMax Speech 2.8 HD 和 Turbo。它们在云端生成语音，按已开始使用的字符块收取积分，各模型的套餐权限要求不同。
