Hugging Face et Gradium font le bilan de Phonon deux semaines après sa sortie : de petits modèles TTS sur l'appareil, plus de 200 000 téléchargements selon les coauteurs et la première place d'intelligibilité en allemand et en espagnol sur l'Open TTS Leaderboard, mais seul le 31m anglais est sous Apache 2.0 et les rangs sont la lecture du classement par les coauteurs et les performances des mesures de Gradium

Le 5 novembre 2026, le blog de Hugging Face a publié A Closer Look at Phonon, écrit par des personnes de Gradium et de Hugging Face. L'article revient, deux semaines après, sur Phonon, une famille de petits modèles de synthèse vocale (TTS) que Gradium a ouverts en open source le 20 octobre 2026 et qui fonctionnent sur l'appareil de l'utilisateur, sans serveur ni réseau. C'est un bilan de lancement, pas une nouvelle sortie, et un article de partenaires, pas une évaluation indépendante. L'article de lancement de Gradium fournit le tableau des modèles et le détail des mesures utilisés ci-dessous.

Les modèles existent en deux tailles. Phonon 31m parle anglais, pèse environ 64 Mo en 8 bits et utilise la licence Apache 2.0, ce qui permet de l'employer dans des produits commerciaux. Phonon 40m pèse environ 74,6 Mo, couvre l'anglais, le français, l'allemand, l'espagnol et le portugais, soit un modèle par langue, soit un seul modèle multilingue, et utilise la licence CC BY-NC, qui n'autorise que l'usage non commercial. L'article précise que l'usage commercial de ces modèles est facturé selon le nombre d'utilisateurs, et non selon la quantité de parole générée. Il y a plus de 100 voix intégrées, et l'on peut cloner une voix à partir d'un court enregistrement, avec le consentement du locuteur, ou en concevoir une à partir d'une description écrite dans Gradium Studio. Les modèles traitent les nombres, les dates, les numéros de téléphone et les codes grâce à une normalisation du texte. Phonon appartient à la lignée Pocket TTS de Kyutai et génère l'audio par appariement de flux.

L'article rapporte l'adoption et le classement. Il dit que Phonon a été téléchargé plus de 200 000 fois en deux semaines et reste en vogue sur Hugging Face. Sur l'Open TTS Leaderboard de Hugging Face, qui compare des modèles ouverts dans 23 langues selon l'intelligibilité (taux d'erreur sur les mots), la vitesse et le naturel, les auteurs disent que Phonon se classe premier en allemand et en espagnol pour l'intelligibilité et parmi les trois premiers dans chaque langue évaluée, aux côtés de modèles jusqu'à 100 fois plus gros, et qu'il domine le test de diffusion en continu sur CPU pour le délai avant le premier audio. Cette lecture du classement est celle des auteurs, et nous n'avons pas vérifié le classement en direct.

L'article de lancement de Gradium ajoute ses propres mesures. Sur un jeu de 500 phrases difficiles par langue, recueillies parmi des cas que des développeurs disaient mal lus par leurs modèles actuels, le taux d'erreur sur les mots en anglais était de 1,70 % pour Phonon 31m, 2,22 % pour Phonon 40m et 2,11 % pour le modèle multilingue, contre 3,50 % pour Kokoro, 7,40 % pour Kitten TTS, 8,71 % pour NeuTTS Nano et 27,51 % pour Magpie. Les transcriptions ont été faites par un modèle multimodal et le taux d'erreur noté par un modèle de langage, et le jeu de test a été construit à partir des échecs d'autres systèmes. Côté vitesse, Gradium indique que sur le CPU d'un MacBook Air M5, Phonon commence à parler en environ 7 millisecondes contre 517 pour Kokoro, qui ne diffuse pas en continu, si bien que son premier audio est la phrase entière. Sur un Raspberry Pi 5, Phonon 31m démarre en 38 millisecondes et tourne 3,7 fois plus vite que le temps réel. Gradium a aussi mené des tests d'écoute à l'aveugle avec 1 189 évaluateurs et 17 270 votes face à Kokoro, Magpie, NeuTTS et Pocket TTS.

Phonon est livré avec son propre cadre d'inférence, ptts, qui prend en charge plus de 10 backends sur CPU, GPU et NPU, dont WebAssembly, CUDA, Vulkan, Metal, WebGPU, Apple Core ML et Snapdragon. Il est aussi dans Hugging Face Transformers depuis la version 5.21 comme implémentation PyTorch de référence, orientée vers le débit GPU par lots, par exemple pour constituer des jeux de données vocaux. L'article cite des démonstrations comme une voix sur une Apple Watch sans Wi-Fi, une application iPhone qui compte les répétitions, une émission de radio dans le navigateur et des conversions de la communauté vers ExecuTorch et Node.js. Les poids sont fournis au format GGUF q8, une démo web permet d'écouter dans un onglet de navigateur sans que le texte quitte l'appareil, et les modèles permettent de régler la vitesse de parole et de normaliser le volume.

Gradium dit avoir annoncé Phonon en avril et passé les six mois suivants en bêta privée avec des partenaires, et que les retours ont conduit à des modèles plus petits, à davantage de langues et à la prise en charge de voix personnalisées. Les auteurs ajoutent que Phonon utilise l'appariement de flux, différent des techniques de la plupart des autres systèmes TTS, si bien que l'entraînement a d'abord été numériquement instable et a demandé plusieurs astuces pour obtenir une bonne qualité dans les cinq langues. Dans Transformers, le modèle génère des latents audio pas à pas, chaque sortie étant réinjectée comme entrée suivante, et le codec audio joue le rôle que joue un tokeniseur pour le texte. La version Transformers est décrite comme environ 200 lignes de code qui ne listent que ce qui diffère de Pocket TTS.

Les limites sont claires. Seul le modèle anglais 31m est sous une licence permissive. Le test de précision utilise des phrases structurées difficiles et un évaluateur par modèle de langage : il mesure donc ce type de texte, pas la parole en général. La vitesse est mesurée sur quelques appareils, la différence de diffusion en continu de Kokoro étant signalée. Le résultat de naturel vient d'un panel d'écoute organisé par le fournisseur. L'article dit que Gradium entraîne des modèles sur mesure avec des partenaires de conception, par exemple pour le coréen, l'arabe ou le japonais, ce qui signifie que les modèles publiés ne couvrent pas ces langues. Nous n'avons pas exécuté les modèles ni reproduit aucun chiffre.

Notre lecture : une synthèse vocale petite, rapide et hors ligne est utile pour la confidentialité, le coût et la latence, et cet article donne aux développeurs une liste claire de tailles, de licences et de plateformes. Les développeurs d'applications commerciales doivent noter quel modèle porte quelle licence. Les rangs sont la lecture du classement par les coauteurs de Gradium et Hugging Face, les performances des mesures de Gradium ; vérifiez-les avec vos propres textes, voix et appareils.