phonon-31m-en - 可在设备端本地运行的 31M 参数英语语音合成模型

phonon-31m-en 是 gradium 发布的一个英语文本转语音（text-to-speech）模型，属于 Phonon 系列。它把文本转成自然的 24 kHz 英语语音，据项目自述，它小到可以跑在浏览器标签页、手机或笔记本 CPU 上，并且能在生成过程中就开始流式输出音频。它面向的是「设备端说话」这类应用：离线且注重隐私的助手、屏幕阅读器等无障碍工具、游戏，以及无法接受云端往返延迟的交互式应用。模型权重以 8 位量化形式提供，据项目说明，权重文件 model.q8.gguf 约 64.5 MB。

维护者与状态

该模型由 gradium 维护，托管在 Hugging Face 上，任务类型为 text-to-speech，框架标注为 transformers。仓库创建于 2026-10-19，最后更新于 2026-10-22。截至 2026-10-25 的数据读取时间，近 30 天下载量为 20631 次，点赞数为 100。事实表中没有给出正式 release 信息，因此这里不对版本发布情况作额外推断。

主要能力

以下能力描述来自项目自述（README / 模型卡），并非独立评测结论。

• 架构与输出：据项目说明，模型用一个 flow-matching transformer 逐帧（每帧 80 ms）从文本预测音频 latent，再由 Mimi 编解码器的解码器还原成音频；输出为单声道、24 kHz。项目称其构建在 Kyutai 的 Pocket TTS 与 Mimi codec 之上。
• 规模：参数量为 31M（不含音频分词器），权重为 8 位量化，文件约 64.5 MB。
• 流式合成：据项目说明，音频在仍在生成时就可以开始播放，Python 接口提供 stream 方法，按块返回 float32 音频。
• 音色目录：项目称随附约 100 个音色的目录，放在单独的 phonon-voices 仓库中；即时声音克隆与音色设计可通过 Gradium studio 使用。
• 同族模型：Phonon 家族还有 40M 的英语、法语、德语、西班牙语、葡萄牙语及多语种版本，据项目说明它们共用同一运行时与文件布局，切换模型只需更换仓库 ID。需要注意，同族其他模型在素材中标注的许可与本模型不同。

使用入口

模型仓库地址：gradium/phonon-31m-en。据项目说明，各运行时都以 hf://gradium/phonon-31m-en 指代该模型，并通过 lang 参数选择文本归一化方式，英语应使用 en。

命令行方式（项目 README 示例，使用 uvx 免安装运行）：

uvx ptts --lang en --quant q8 \
  --voice Easton "Hello from Phonon." -o speech.wav

Python 方式，先安装 ptts 包，再创建 TTS 对象并保存或流式读取音频：

pip install ptts

import ptts

tts = ptts.TTS("hf://gradium/phonon-31m-en", lang="en", quant="q8")
tts.save("speech.wav", "Hello from Phonon.", voice="Easton")

项目还给出了 Transformers 用法（需从源码安装 Transformers，并使用 GradiumPhononTTSForConditionalGeneration 与 AutoProcessor），以及面向浏览器、iOS/macOS（Core ML）、Android、Rust、C/C++、Home Assistant、WebSocket 服务端和兼容 OpenAI API 的本地服务端等多种平台的接入方式。据项目说明，与运行时不同，Transformers 路径下的分词器不会把数字、金额、符号或地址展开成文字，长文本需要用 processor.split_text 切分。

许可与限制

许可证为 apache-2.0。据项目说明，本仓库中的权重、分词器与音色均以 Apache 2.0 发布；运行时是另一个独立项目，采用 MIT OR Apache-2.0。使用前建议以仓库内 LICENSE 文件为准。

项目自述的已知限制包括：

• 模型只支持其列出的语言（本模型为英语），其他语言的文本会以错误发音读出。
• 合成前会对文本做归一化（数字、货币、日期、邮箱等），这一步依赖正确的语言设置，需要让 lang 与文本语言匹配。
• 很长的输入会被拆成句子逐句朗读，因此韵律不会贯穿整段文本。

项目还提出了负责任使用的要求：不要用 Phonon 冒充真实人物、误导听者判断说话者身份，或在未经说话人同意的情况下克隆声音；在有必要时，应告知听者语音是合成的。