Gradium 开源 Phonon 端侧 TTS 模型，31M 版本采用 Apache 2.0

核心事实

据 MarkTechPost 报道，从 Kyutai 分拆出来的巴黎语音 AI 公司 Gradium 已开源端侧文本转语音（TTS）模型家族 Phonon，包含 31M 与 40M 两个参数规模。其中英文 Phonon 31m 以 Apache 2.0 许可发布，q8 GGUF 文件约 64.5 MB，输出 24 kHz 单声道音频，参数规模不含音频分词器。该模型无需云端调用、无需 GPU，也不按字符计费。

据素材，Phonon 家族共三款：Phonon 31m 仅支持英文、内置 37 种音色、Apache 2.0；Phonon 40m 按语言各一款（英语、法语、德语、西班牙语、葡萄牙语），以及一款五语合一、102 种音色的多语版本，后两者采用 CC BY-NC 4.0 非商用许可。

背景与影响

Phonon 采用因果 Transformer 主干，文本与说话人嵌入拼接为前缀，使用 4,000 词表的 SentencePiece 分词器直接读取原始文本，不做音素转换；主干每 80 ms 帧生成一个潜向量，经单步流匹配头转为音频嵌入，再由 Kyutai Mimi 解码器的小型变体输出 PCM 音频。31m 版本为 6 层、宽度 512、8 个注意力头，40m 为 9 层，二者均从更大的教师模型蒸馏而来。

据 Gradium 自行公布的评测，在 1,189 名评分者、17,270 次投票的盲测中，美式英语 Phonon 40m 得 2117 Elo、31m 得 2098，高于其列出的 Kokoro（2043）、NeuTTS（2034）与 Magpie（1939）。在 500 句难句集上，Phonon 31m 词错率为 1.70%，Kokoro 为 3.50%；但在较容易的 Seed-TTS 集上，Phonon 31m 为 0.51%，略逊于 Kokoro 的 0.45%。速度方面，Gradium 称在 MacBook Air M5 四线程 CPU 上首个音频约 6.9 ms，树莓派 5 上约 38 ms 启动、3.7 倍实时。

限制与来源

上述性能、Elo 与词错率数据均来自 Gradium 自家博客、模型卡与新闻稿，属厂商自评，尚未见独立第三方复现，具体数值以官方发布为准。运行时据称覆盖 Rust、Python、Swift、C/C++ 与浏览器，并可加载于 Transformers、MLX-Audio、Ollama 与 LM Studio；各语言支持、许可条款与部署方式请以官网及模型卡当前信息为准。本文不构成任何采购或投资建议。来源：MarkTechPost，2026 年 10 月 22 日。