Phonon 端侧语音模型发布两周：31m 与 40m 两版、支持五语并登 Open TTS Leaderboard

报道讲了什么

• 团队两周前开放了端侧文本转语音模型 Phonon，无需服务器和网络。
• 发布包含两个尺寸，约 65 MB 和 75 MB，合计支持五种语言。
• Phonon 31m 以 Apache 2.0 开放权重，可用于商业产品。

可以做什么

• 可处理电话号码、日期和代码这类其他 TTS 常出错的文本。
• 内置 100 多个声音，并可在 Gradium Studio 中创建自定义声音。
• ptts 推理框架支持 CPU、GPU 和 NPU 等 10 多种后端。

怎么使用

1. 用 AutoProcessor 和 GradiumPhononTTSForConditionalGeneration 从 gradium/phonon-31m-en 加载模型与处理器。
2. 从 gradium/phonon-voices 下载声音 safetensors 文件并读取 speaker_wavs。
3. 按对话模板写入空音频占位与文本，经 processor 处理后再 generate 并解码保存为 wav。

结果与限制

• Phonon 40m 覆盖五种语言，但为非商业许可。
• 其他非 31m 模型为 CC BY-NC，商业使用需按用户数定价。
• 榜单成绩来自 Hugging Face Open TTS Leaderboard 的评估设置，原文未给出具体指标数值。

使用入口与依据