开源 #开源模型 2026-11-08 · 原文发布 11-05

Gradium 发布端侧语音合成 Phonon:约 65 MB 起,CPU 流式首段音频 p95 仅 28 毫秒,英文版 Apache 2.0

一个不用服务器、不用联网的小型 TTS,可直接塞进浏览器和手机。

图片来源:Hugging Face 博客
一手来源 Hugging Face 博客 · huggingface.co 读原文 ↗

// 要点

  • 模型约 65 MB 和 75 MB,支持英、法、德、西、葡 5 种语言,内置 100 多种音色,支持声音克隆和音色设计
  • Phonon 31m(英文)采用 Apache 2.0;覆盖 5 种语言的 Phonon 40m 为非商用许可
  • Open TTS Leaderboard 上德语、西班牙语可懂度第一,各语言均进前三;CPU 流式首段音频 p95 为 28 毫秒(31m)和 38 毫秒(40m),Pocket TTS 为 165 毫秒
  • 支持 10 多种后端,含 CPU、CUDA、Vulkan、Metal、WebGPU 和 NPU;从 Transformers v5.21 起内置,另有可在浏览器 WebGPU 上运行的 ExecuTorch 版本

开发者视角智能面试的语音追问目前走云端 TTS,延迟和按字计费都是负担。英文场景我会先用 Apache 2.0 的 31m 在浏览器里试,首段音频能压到几十毫秒就值得切;多语言版是非商用许可,上线前要单独确认授权。

// 来龙去脉 · 来自 #开源模型 专题

看完整时间线 →
  1. 11-08 Kimi K3.1 Pro(Highspeed)上架 Amazon Bedrock:开放权重、原生多模态、100 万 token 上下文,支持显式提示词缓存
  2. 11-08 NVIDIA 开源 Reshard 集合通信,强化学习后训练的权重同步比「先聚合再广播」快 2.7 到 5.7 倍
  3. 11-07 Foundry Local 以 4-bit 运行 Qwen3.8-27B,约 18 GB,24 GB 显存的消费级显卡可跑 64K 上下文,并可作为 GitHub Copilot 的模型提供方

每周一,一封邮件看完 AI 大事

每周一早上,把过去 7 天最值得关注的 6 件 AI 大事和我的解读发到你邮箱。

邮箱只用于发送周报,不会提供给任何第三方;每封邮件底部都可以一键退订。 看看最近一期 →