Hugging Face und Gradium ziehen zwei Wochen nach der Veröffentlichung Bilanz zu Phonon: kleine On-Device-TTS-Modelle mit laut den Koautoren mehr als 200.000 Downloads und Spitzenverständlichkeit in Deutsch und Spanisch im Open TTS Leaderboard, doch nur das englische 31m-Modell steht unter Apache 2.0 und Ränge sind die Lesart der Koautoren, Leistungswerte Gradiums Messungen

Am 5. November 2026 veröffentlichte der Hugging-Face-Blog A Closer Look at Phonon, verfasst von Personen von Gradium und Hugging Face. Der Beitrag blickt zwei Wochen zurück auf Phonon, eine Familie kleiner Text-to-Speech-Modelle (TTS), die Gradium am 20. Oktober 2026 als Open Source veröffentlichte und die auf dem eigenen Gerät des Nutzers laufen, ohne Server und ohne Netz. Es ist ein Rückblick auf den Start, keine neue Veröffentlichung, und ein Partnerbeitrag, keine unabhängige Prüfung. Die Modelltabelle und die Messdetails unten stammen aus Gradiums Veröffentlichungsbeitrag.

Die Modelle gibt es in zwei Größen. Phonon 31m spricht Englisch, ist in der 8-Bit-Form etwa 64 MB groß und steht unter der Apache-2.0-Lizenz, ist also für kommerzielle Produkte nutzbar. Phonon 40m ist etwa 74,6 MB groß, deckt Englisch, Französisch, Deutsch, Spanisch und Portugiesisch ab, entweder als ein Modell je Sprache oder als ein mehrsprachiges Modell, und steht unter der Lizenz CC BY-NC, die nur nichtkommerzielle Nutzung erlaubt. Der Beitrag sagt, die kommerzielle Nutzung dieser Modelle werde nach der Zahl der Nutzer berechnet, nicht nach der erzeugten Sprachmenge. Es gibt mehr als 100 eingebaute Stimmen, und man kann mit Einwilligung der sprechenden Person eine Stimme aus einer kurzen Aufnahme klonen oder in Gradium Studio aus einer Textbeschreibung entwerfen. Die Modelle behandeln Zahlen, Daten, Telefonnummern und Codes durch Textnormalisierung. Phonon gehört zur Pocket-TTS-Linie von Kyutai und erzeugt Audio per Flow Matching.

Der Beitrag berichtet über Verbreitung und Rang. Phonon sei in den ersten zwei Wochen mehr als 200.000-mal heruntergeladen worden und liege weiter im Trend auf Hugging Face. Auf dem Open TTS Leaderboard von Hugging Face, das offene Modelle in 23 Sprachen nach Verständlichkeit (Wortfehlerrate), Geschwindigkeit und Natürlichkeit vergleicht, rangiere Phonon nach Angaben der Autoren bei der Verständlichkeit in Deutsch und Spanisch auf Platz eins und in jeder bewerteten Sprache unter den ersten drei, neben Modellen, die bis zu 100-mal größer sind, und führe den CPU-Streaming-Test für die Zeit bis zum ersten Audio an. Diese Lesart des Leaderboards stammt von den Autoren, und wir haben das Live-Leaderboard nicht geprüft.

Gradiums Veröffentlichungsbeitrag ergänzt eigene Messungen. Auf einem Testsatz mit 500 schwierigen Sätzen pro Sprache, gesammelt aus Fällen, die laut Entwicklern ihre aktuellen Modelle falsch lesen, lag die englische Wortfehlerrate bei 1,70 % für Phonon 31m, 2,22 % für Phonon 40m und 2,11 % für das mehrsprachige Modell, gegenüber 3,50 % für Kokoro, 7,40 % für Kitten TTS, 8,71 % für NeuTTS Nano und 27,51 % für Magpie. Die Transkripte erstellte ein multimodales Modell, die Fehlerrate bewertete ein Sprachmodell, und der Testsatz wurde aus den Fehlern anderer Systeme gebaut. Zur Geschwindigkeit berichtet Gradium, dass Phonon auf der CPU eines MacBook Air M5 nach etwa 7 Millisekunden zu sprechen beginnt, gegenüber 517 bei Kokoro, das nicht streamt, sodass sein erstes Audio der ganze Satz ist. Auf einem Raspberry Pi 5 startet Phonon 31m nach 38 Millisekunden und läuft 3,7-mal schneller als Echtzeit. Gradium führte außerdem Blindhörtests mit 1.189 Bewertenden und 17.270 Stimmen gegen Kokoro, Magpie, NeuTTS und Pocket TTS durch.

Phonon wird mit einem eigenen Inferenz-Framework ausgeliefert, ptts, das mehr als 10 Backends auf CPU, GPU und NPU unterstützt, darunter WebAssembly, CUDA, Vulkan, Metal, WebGPU, Apple Core ML und Snapdragon. Es steckt außerdem ab Version 5.21 in Hugging Face Transformers als PyTorch-Referenzimplementierung, die auf GPU-Durchsatz mit Batches zielt, etwa um Sprachdatensätze zu erzeugen. Der Beitrag nennt Demos wie eine Stimme auf einer Apple Watch ohne WLAN, eine iPhone-App, die Wiederholungen zählt, eine Radiosendung im Browser und Umsetzungen der Community für ExecuTorch und Node.js. Die Gewichte kommen im q8-GGUF-Format, eine Web-Demo erlaubt das Anhören direkt im Browser-Tab, ohne dass der Text das Gerät verlässt, und die Modelle erlauben es, die Sprechgeschwindigkeit einzustellen und die Lautstärke zu normalisieren.

Gradium sagt, es habe Phonon im April angekündigt und die folgenden sechs Monate mit Partnern in einer privaten Beta verbracht, und das Feedback habe zu kleineren Modellen, mehr Sprachen und Unterstützung für eigene Stimmen geführt. Die Autoren fügen hinzu, Phonon nutze Flow Matching, das sich von den Verfahren der meisten anderen TTS-Systeme unterscheidet, daher sei das Training anfangs numerisch instabil gewesen und habe mehrere Kniffe gebraucht, um in allen fünf Sprachen gute Qualität zu liefern. In Transformers erzeugt das Modell Audio-Latents Schritt für Schritt, jede Ausgabe wird als nächste Eingabe zurückgeführt, und der Audio-Codec übernimmt die Rolle, die ein Tokenizer für Text spielt. Die Transformers-Version wird als etwa 200 Zeilen Code beschrieben, die nur aufführen, was sich von Pocket TTS unterscheidet.

Die Grenzen sind klar. Nur das englische 31m-Modell steht unter einer freizügigen Lizenz. Der Genauigkeitstest nutzt schwierige strukturierte Sätze und eine Bewertung durch ein Sprachmodell, misst also diese Art Text und nicht Sprache im Allgemeinen. Die Geschwindigkeit ist auf wenigen Geräten gemessen, wobei der Streaming-Unterschied bei Kokoro vermerkt ist. Das Natürlichkeitsergebnis stammt aus einem vom Anbieter durchgeführten Hörpanel. Der Beitrag sagt, Gradium trainiere mit Designpartnern maßgeschneiderte Modelle, etwa für Koreanisch, Arabisch oder Japanisch, die veröffentlichten Modelle decken diese Sprachen also nicht ab. Wir haben die Modelle nicht ausgeführt und keine Zahl nachgebildet.

Unsere Einordnung: Kleines, schnelles Offline-TTS ist für Datenschutz, Kosten und Latenz nützlich, und der Beitrag gibt Entwicklern eine klare Liste von Größen, Lizenzen und Plattformen. Entwickler kommerzieller Apps sollten beachten, welches Modell welche Lizenz trägt. Die Ränge sind die Lesart der Gradium/Hugging-Face-Koautoren, die Leistungswerte Gradiums Messungen; prüfen Sie beides mit eigenen Texten, Stimmen und Geräten.