Gradium
離線語音改變應用程式的執行方式，但模型權重仍有使用條款。了解 Phonon 的授權與部署需求，以及它與 OmniArt 雲端配音的差異。
Gradium Phonon 讓串流文字轉語音在你自己的硬體上執行。首個穩定版本 (在新分頁中開啟)於 2026 年 10 月 20 日發布，Gradium 在隔天正式對外公布。對離線應用程式而言，這改變了語音功能是否需要可用的網路連線。對正在完成配音的創作者而言，自行部署可能是額外且不必要的工作。
首先要分清授權：只有 Phonon 31m 英語版採用 Apache 2.0。包含多語言版在內的 40m 模型，均採用非商用的 CC BY-NC 4.0。截至 2026 年 10 月 26 日，OmniArt 尚未提供 Phonon。我們的雲端選項是 ElevenLabs 與 MiniMax Speech；應依照音訊需要完成的工作，在兩種方式之間選擇。
什麼是裝置端 TTS#
裝置端 TTS 安裝所需檔案後，就能在本機生成語音。雲端 TTS 則會將文稿傳送至遠端服務，再回傳音訊。本機推論可讓語音合成這個步驟離線執行；若其他功能仍會將資料傳送到外部，並不代表整個應用程式都能保障隱私。
| 決策因素 | 裝置端合成 | 雲端 TTS |
|---|---|---|
| 網路連線 | 完成設定後，沒有網路也能發聲 | 生成時需要連線 |
| 文字處理 | 可讓合成文字留在裝置上 | 文稿會傳送至服務端 |
| 回應速度 | 省去網路往返時間，實際表現取決於硬體 | 取決於連線與服務回應 |
| 維運成本 | 裝置運算、封裝、測試與維護 | 在 OmniArt 上每次生成消耗點數 |
| 聲音指導與語言 | 受已安裝的權重與聲音檔限制 | 從可用模型與聲音控制選項中選擇 |
如果螢幕閱讀器必須在沒有訊號的列車上發聲，離線運作就是必要條件。如果你只是為影片匯出旁白，聽眾播放的是完成的檔案；生成工具本身不一定需要離線。
Gradium Phonon 發布了什麼#
以下是 2026 年 10 月 26 日核對的 Hugging Face 模型卡 (在新分頁中開啟)規格，並非完整應用程式的下載大小。參數量不包含音訊分詞器；大小指的是 8 位元量化 model.q8.gguf 權重檔。
| 模型 | 參數量 | 語言 | q8 權重 | 權重授權 | 下載審核 |
|---|---|---|---|---|---|
| Phonon 31m English | 31M | 英語 | 64.5 MB | Apache 2.0 | 無 |
| Phonon 40m，各語言獨立版 | 40M | 英語、法語、德語、西班牙語或葡萄牙語各有獨立模型 | 每個 74.6 MB | CC BY-NC 4.0 | 接受條款後自動核准 |
| Phonon 40m multilingual | 40M | 英語、法語、德語、西班牙語、葡萄牙語 | 74.6 MB | CC BY-NC 4.0 | 接受條款後自動核准 |
模型卡註明輸出為單聲道 24 kHz。Gradium 的產品頁面 (在新分頁中開啟)將較小模型的下載大小取整為 64 MB；新聞稿 (在新分頁中開啟)另引用了 90 MB 的說法。規劃儲存空間時，應採用模型卡所指明檔案的大小，再於目標裝置測量完整套件與執行時的記憶體用量。
v0.4.0 說明介紹了不依賴 PyTorch 的 Rust 執行環境，提供 Python、瀏覽器、Rust、Swift 與 Android 選項。使用入口包括 uvx ptts、pip install ptts、npm install phonon-tts 與 cargo add ptts。此外也提供相容 OpenAI 的伺服器，以及適用於 Home Assistant 的 Wyoming 支援。
10 月 26 日核對的版本清單 (在新分頁中開啟)顯示，v0.4.1 之後的最新版本為 v0.4.2。附帶的模型套件仍沿用 v0.4.0。新版說明涵蓋文件與平台調整，包括 Mac Catalyst 與瀏覽器套件的授權聲明；v0.4.2 也新增 Mimi 解碼器設定選項。
授權問題#
10 月 21 日的發布新聞稿 (在新分頁中開啟)將多語言權重描述為 Apache 2.0，連結卻指向英語 31m 儲存庫。這與模型卡、v0.4.0 版本說明及產品頁面衝突：包含多語言版在內的 40m 權重採用 CC BY-NC 4.0。
注意
只有 Phonon 31m 英語版的權重採用 Apache 2.0。40m 模型僅限非商用，下載也需要接受條款；Gradium 產品頁面引導商業使用者聯絡業務。推出產品前，應查看對應的 Hugging Face 模型卡及條款。執行環境開放並不會改變權重授權。
根據模型卡，執行環境是獨立專案，採用 MIT OR Apache-2.0。審查相依套件時，要保留這項區別：是否允許再散布推論程式碼，與是否允許使用某個模型，是不同問題。本文介紹已公布的文件，不替廠商界定個別商用條款。
聲音建立是另一條界線。Gradium 描述的流程是透過其雲端 API 複製與設計聲音，再下載聲音檔以供本機合成。這不是離線聲音複製。需要全程離線設定的專案，除了語音如何生成，也要考慮聲音如何取得。
Phonon 的效能表現（服務商報告）#
Gradium 的 10 月 20 日技術文章 (在新分頁中開啟)報告了以下英語難句詞錯誤率。這些是於 2026 年 10 月 26 日核對的服務商基準測試結果，並非 OmniArt 的試聽測試。
| 模型 | 技術文章中的難句 WER（服務商報告） |
|---|---|
| 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% |
測試句子、轉錄模型 qwen3.8-omni-flash 與 WER 評判模型 gemma-4-31b-it 均由服務商選擇。公開資料集為 gradium/tts-hard-sentences-202610 (在新分頁中開啟)。較低的 WER 衡量的是這套測試設定下的轉錄準確率，而非演技、情感範圍或是否適合你的文稿。2026 年 10 月 26 日查閱的 phonon-31m-en 模型卡 (在新分頁中開啟) 列出不同且經四捨五入的難句集 LLM WER：Phonon 31m 為 1.5%，40m multilingual 為 2.0%，40m English 為 2.3%（廠商自報）。上表採用技術文章中的數字。
同一篇文章報告了 1,189 名評審、17,270 次投票的成對盲聽測試。文中也報告，在 MacBook Air M5 CPU 上，首段音訊延遲約 7 ms，Kokoro 則為 517 ms；在 Raspberry Pi 5 上，31m 的首段音訊延遲為 38 ms，生成速度達即時的 3.7 倍。Kokoro 不支援串流輸出，因此其首段音訊數字涵蓋完整句子。產品頁面另稱，在 iPhone 16 Pro 上最高達即時的 22 倍（服務商報告）。
這些應視為特定裝置的測試結果，而非延遲保證。選擇執行環境之前，應在自己的硬體上測試具代表性的人名、數字與句子。
裝置端 Phonon 與 OmniArt 雲端 TTS 比較#
可以將下表作為選擇起點；這是工作流程建議，不是實測音質排名。
| 你的需求 | 起點 | 決定使用前要檢查 |
|---|---|---|
| 離線英語無障礙功能、遊戲對話或嵌入式互動 | Phonon 31m | 裝置資源預算、發音與 Apache 2.0 條款 |
| 其他已列語言的離線語音 | Phonon 40m | 非商用限制或個別商用條款 |
| 富有表現力的旁白與可指導的角色演繹 | OmniArt 上的 ElevenLabs | 用自己的文稿試聽聲音與演繹 |
| 無須維護推論程式碼的多語言配音 | OmniArt 上的 ElevenLabs 或 MiniMax Speech | 每類受眾對應的語言、使用條款與輸出 |
| 最終匯出前反覆修改文稿 | OmniArt 上的雲端 Turbo 選項 | 比較實際生成版本與點數成本 |
截至 2026 年 10 月 26 日，OmniArt 公開目錄列出的語言數量為：Eleven v3 有 74 種，Multilingual v2 有 29 種，Turbo v2.5 有 32 種，兩個 MiniMax Speech 2.8 版本皆有 39 種，不包含自動語言選擇。ElevenLabs 需要 Starter 或以上方案；MiniMax Speech 2.8 可在 Free 方案使用。下方點數計費單位已於同日對照模型目錄核實。
| OmniArt 模型 | 每 1 點數對應字元數，不足一區塊以一區塊計 | 1,000 字元所需點數 |
|---|---|---|
| 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 |
每個字元區塊只要開始使用就會計費。每次請求都應分開估算：重新生成一版會再次產生生成成本。方案權限與點數必須分別確認。
用旁白聲音嘗試這段應用程式新手引導文稿。這些是可複製的文字範例，不是已生成的音訊樣本。
製作多語言版本時，可以從同一段短文稿開始；這裡可複製的輸入保留英語。測試在地化演繹時，選擇對應語言並準備翻譯後的文稿。
關於演繹控制，參閱 Eleven v3 音訊標籤指南。Eleven v4 與 v3 比較文章區分發布背景與目前可用模型；MiniMax Speech 2.8 指南介紹雲端配音流程。
後續關注#
留意新聞稿是否修正授權措辭、是否發布更多語言，以及 40m 的商用條款是否公開。在此之前，應選定確切的權重儲存庫，不要把「Phonon」視為採用同一種授權的整體。在 OmniArt 配音時，先試聽短段落，再為整份文稿消耗點數。
常見問題#
Gradium Phonon 是什麼？
Phonon 是 Gradium 的小型開放權重文字轉語音模型系列，可在手機、筆記型電腦、嵌入式開發板及瀏覽器中進行本機離線合成。根據 Gradium 版本說明，其首個穩定版本 v0.4.0 於 2026 年 10 月 20 日發布，搭載不需要 PyTorch 的 Rust 執行環境。它是部署在你自己硬體上的一種選項。
Phonon 可以商用嗎？
Phonon 31m 英語版的權重採用 Apache 2.0，在遵守條款的前提下允許商用。40m 各語言獨立版及多語言版的權重，均採用非商用的 CC BY-NC 4.0。Gradium 產品頁面說明，若要將這些模型用於商業用途，應聯絡業務。推出產品前應核對確切的模型卡；執行環境的授權不能取代權重條款。
Phonon 支援哪些語言？
截至 2026 年 10 月 26 日，Phonon 31m 僅支援英語。40m 系列涵蓋英語、法語、德語、西班牙語與葡萄牙語，既有每種語言的獨立模型，也有單一多語言模型。這些 40m 權重僅限非商用。若需要更廣的語言範圍，可比較 OmniArt 公開目錄中的雲端語音模型，並測試目標語言。
OmniArt 提供 Phonon 嗎？
沒有。截至 2026 年 10 月 26 日，Phonon 尚未列入 OmniArt 目錄；你需要將它部署在自己的硬體上。OmniArt 提供 Eleven v3、Multilingual v2、Turbo v2.5，以及 MiniMax Speech 2.8 HD 和 Turbo。它們在雲端生成語音，按已開始使用的字元區塊收取點數，各模型的方案權限要求不同。
