Phonon TTS 发布设备端语音模型，在 Hugging Face 榜单德语、西班牙语可懂度居首

OmniTools 11月5日消息，Gradium 团队在 Hugging Face 博客公布 Phonon TTS 设备端语音合成模型的发布细节。该模型无需服务器和网络，可直接在用户设备上运行，输入的文本保留在本地。

Phonon 提供约 65 MB 和 75 MB 两个尺寸，支持英语、法语、德语、西班牙语和葡萄牙语，内置超过 100 种语音，并支持通过录音克隆或文本描述定制语音。模型基于 Pocket TTS 谱系，采用 flow matching 生成音频。Phonon 31m 面向英语，采用 Apache 2.0 许可；Phonon 40m 覆盖五种语言，采用 CC BY-NC 非商业许可。发布两周内下载量超过 20 万次。

在 Hugging Face Open TTS Leaderboard 上，Phonon 在德语和西班牙语可懂度排名第一，在所有评测语言中进入前三；在 CPU 流式首音频时间基准中排名第一。其自研推理框架 ptts 支持 CPU、GPU 和 NPU 等 10 余种后端，模型也已集成至 Transformers v5.21。