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。
// 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。