Phonon 40M

Gradium 的 40M 端侧语音模型,支持英语、法语、德语、西班牙语和葡萄牙语,文件约 75 MB。CC BY-NC,需申请访问。

一句话概括. Phonon 40M 能把文字转成五种语言的自然语音,小到手机、浏览器标签页或笔记本处理器都能运行。每种语言各有一个模型,另有一个覆盖全部五种语言的多语言模型。权重只能免费用于非商业用途,下载前 Hugging Face 要求你先接受条款。

概述

Phonon 40M 是 Gradium 的 Phonon 文本转语音家族中较大的那一半,与 Apache 2.0 的 Phonon 31M 同时发布。它为英语、法语、德语、西班牙语和葡萄牙语各提供一个模型,另有一个用同一套权重覆盖全部五种语言的多语言模型。Gradium 把它定位为在难读文本上最看重表现力和准确度时的选择,代价是非商业许可证。Q8 GGUF 文件为 74.6 MB,safetensors 权重为 121.7 MB,还有一个 60.4 MB 的 Q4 版本。按语言区分的模型各有 12 到 37 个内置声音,多语言模型有 102 个。声音克隆和声音设计不在开放权重里,要通过 Gradium 的 studio 来用。

Gradium 的模型卡把 Phonon 与 Kokoro、Magpie 和 NeuTTS 做了对比(仅限这些模型支持的语言),并称在每种语言里都是 Phonon 模型在三项指标上全部第一。在英语中,40M 模型在 468 位评分者、8290 次投票的盲听测试里得到 2117 的 Elo,Phonon 31M 是 2098,Kokoro 是 2043,NeuTTS 是 2034,Magpie 是 1939。在法语、德语、西班牙语和葡萄牙语中,按语言区分的模型分别得到 2072、2097、2103 和 2144,多语言模型分别得到 2016、2046、2076 和 2048,所以专用模型比共用模型略好。在模型卡里那组满是数字、日期和代码的难句上,按语言区分的模型词错误率为 2.1% 到 2.9%,而测过的 Kokoro 为 3.5% 到 5.5%,测过的 Magpie 为 25% 到 30%。Gradium 的发布文章还给出:Phonon 40M 在 MacBook Air M5 的 CPU 上用四线程,首音频时间为 8.8 毫秒,速度约为实时的 28 倍,Kokoro 则是 517 毫秒和约 11 倍实时。这些全都是开发方自己的结果,我们没有复现。

许可证是 CC BY-NC,在 Hugging Face 上标注为 4.0 版,Gradium 请商业用户联系它的销售团队。仓库设有访问限制,所以下载前必须登录并接受条款。运行时是一个单独的开源项目,支持 CPU、Metal、CUDA、Vulkan、WebGPU 和 Apple Core ML 后端,也可以作为带 OpenAI 兼容接口的本地服务器运行。截至 2026 年 11 月 11 日的 30 天内,Hugging Face 统计德语模型约有 3.06 万次下载,法语 2.74 万次,多语言模型 2.19 万次,西班牙语 1.77 万次,英语 1.29 万次,葡萄牙语 1.12 万次。

适合做什么

  • 需要在英语之外还能用法语、德语、西班牙语或葡萄牙语做小型端侧语音的研究和非商业语音项目
  • 用一套权重服务五种语言,即多语言模型及其 102 个内置声音
  • 满是电话号码、日期和版本号的文本,Gradium 称通过文本规范化可以正确朗读
  • 60 到 122 MB 的很小文件,可在手机、浏览器和普通 CPU 上运行

需要注意

  • CC BY-NC 意味着没有与 Gradium 的协议就不能商用,而 Apache 2.0 的 Phonon 31M 只支持英语
  • 仓库设有访问限制,你需要 Hugging Face 账号并接受条款后才能下载权重
  • 模型只会说它支持的五种语言,文本规范化还要求设置的语言与文本一致
  • Elo、词错误率和速度数字都是 Gradium 自己的,在它自己的测试集和硬件上测得

性能数据来自开发方,未经独立验证。

需要多少内存?

以下是 Phonon 40M 各版本的内存数据。图像、视频、语音和音乐管线还要加载文本编码器和解码器,所以所需内存可能比主检查点更大。

版本 参数量 下载大小 所需内存 可运行于
phonon-40m-multilingual (Q8 GGUF) INT8 40M 0.0746 GB 0.0858 GB 笔记本或手机
phonon-40m-en (Q8 GGUF) INT8 40M 0.0746 GB 0.0858 GB 笔记本或手机
phonon-40m-fr (Q8 GGUF) INT8 40M 0.0746 GB 0.0858 GB 笔记本或手机
phonon-40m-de (Q8 GGUF) INT8 40M 0.0746 GB 0.0858 GB 笔记本或手机
phonon-40m-es (Q8 GGUF) INT8 40M 0.0746 GB 0.0858 GB 笔记本或手机
phonon-40m-pt (Q8 GGUF) INT8 40M 0.0746 GB 0.0858 GB 笔记本或手机

下载大小包含运行模型所需的全部组件,例如生成器、文本编码器和解码器。所需内存优先采用开发方声明或已公开的实测最低值;没有时按下载大小加约 15% 估算。更大的图像、更长的片段和更高的分辨率需要更多内存。

许可证,用大白话说

一种知识共享许可证,允许任何人在署名的前提下复制、分享和改编作品,但仅限非商业用途。有些模型卡只写 CC BY-NC 而不注明版本,目前的版本是 4.0。

  • 需要署名或标明模型名称

进一步了解 CC BY-NC

延伸阅读

常见问题

Phonon 40M 是什么?
Phonon 40M 能把文字转成五种语言的自然语音,小到手机、浏览器标签页或笔记本处理器都能运行。每种语言各有一个模型,另有一个覆盖全部五种语言的多语言模型。权重只能免费用于非商业用途,下载前 Hugging Face 要求你先接受条款。
Phonon 40M 可以商用吗?
未经另行授权不可商用。Phonon 40M 采用 CC BY-NC 发布,仅允许研究和个人使用。
Phonon 40M 是开源的吗?
Phonon 40M 是开放权重模型,但不是严格意义上的开源。你可以下载模型文件,但 CC BY-NC 附带了开源促进会的定义所不允许的条件。
我能在自己的电脑上运行 Phonon 40M 吗?
可以。最小版本 phonon-40m-multilingual (Q8 GGUF) 在 4 位精度下约需 0.0858 GB 内存,现代笔记本或中端显卡即可胜任。
Phonon 40M 是什么时候发布的?
Phonon 40M 由 Gradium 于 2026年10月21日 发布。

官方链接

来源

规格数据来自以下一手资料。文中提到的基准测试结果由开发方自报。

发布时间等信息最近核实于 2026年11月11日。

相关模型

模型 发布时间 参数量 上下文 许可证 最小版本所需内存
Phonon 31M Gradium 31M – Apache 2.0 (宽松) 0.0747 GB 笔记本或手机
Pocket TTS Kyutai 18M – 100M – CC BY 4.0 (宽松) 0.127 GB 笔记本或手机
Kokoro hexgrad 82M – Apache 2.0 (宽松) 0.38 GB 笔记本或手机
Supertonic 3 Supertone 99M – OpenRAIL-M (附条件) 0.46 GB 笔记本或手机