Hugging FaceとGradiumがPhonon公開2週間後を振り返る：端末上の小型TTSは20万回超のダウンロードと、Open TTS Leaderboardでドイツ語とスペイン語の了解度首位が報告されたが、Apache 2.0なのは31m英語版だけで、順位は共著者のランキングの解釈、性能値はGradiumの測定

2026年11月5日、Hugging Faceのブログは、GradiumとHugging Faceの担当者が書いた「A Closer Look at Phonon」を公開しました。2週間前のPhononを振り返る内容です。PhononはGradiumが2026年10月20日にオープンソース化した小型のテキスト音声合成（TTS）モデル群で、サーバーもネットワークも使わず、ユーザー自身の端末で動作します。これは新しいリリースではなく公開後の振り返りであり、独立した評価ではなくパートナーによる記事です。以下で使うモデル表とベンチマークの詳細は、Gradiumのリリース記事によるものです。

モデルは二つの大きさがあります。Phonon 31mは英語用で、8ビット版で約64 MB、Apache 2.0ライセンスなので商用製品にも使えます。Phonon 40mは約74.6 MBで、英語、フランス語、ドイツ語、スペイン語、ポルトガル語に対応し、言語ごとに1モデル、または単一の多言語モデルとして提供され、非商用に限るCC BY-NCライセンスです。記事は、これらのモデルの商用利用は生成する音声の量ではなくユーザー数で価格が決まると述べています。内蔵の声は100種類以上で、話者の同意を得た短い録音から声を複製するか、Gradium Studioでテキストの説明から声を設計できます。モデルは数字、日付、電話番号、コードをテキスト正規化で扱います。PhononはKyutaiのPocket TTS系統に属し、フローマッチングで音声を生成します。

記事は利用状況と順位を報告しています。Phononは最初の2週間で20万回超ダウンロードされ、Hugging Faceで今も話題になっていると述べています。Hugging FaceのOpen TTS Leaderboardは、23言語で、了解度（単語誤り率）、速度、自然さを開放モデルについて比較します。著者らは、Phononが了解度でドイツ語とスペイン語は1位、評価したすべての言語で上位3位に入り、最大100倍の大きさのモデルと並び、最初の音声までの時間のCPUストリーミングのベンチマークでも首位だと述べています。このリーダーボードの読み方は著者自身のもので、私たちは最新のリーダーボードを確認していません。

Gradiumのリリース記事は独自の測定も加えています。開発者が既存のモデルで読み間違えると言った事例から集めた、言語ごと500の難しい文のテストでは、英語の単語誤り率は、Phonon 31mが1.70%、Phonon 40mが2.22%、多言語モデルが2.11%で、Kokoroは3.50%、Kitten TTSは7.40%、NeuTTS Nanoは8.71%、Magpieは27.51%でした。文字起こしはマルチモーダルモデルが作り、誤り率は言語モデルが採点し、テストセットは他のシステムの失敗から作られています。速度について、GradiumはMacBook Air M5のCPUでPhononが約7ミリ秒で発話を始めるのに対し、Kokoroは517ミリ秒だと報告しています。Kokoroはストリーミングしないため、最初の音声は文全体です。Raspberry Pi 5ではPhonon 31mは38ミリ秒で始まり、リアルタイムの3.7倍の速さで動きます。Gradiumはまた、Kokoro、Magpie、NeuTTS、Pocket TTSと比べる盲検の聴取テストを、評価者1,189人、17,270票で行いました。

Phononは独自の推論フレームワークptts付きで、CPU、GPU、NPUの10以上のバックエンド（WebAssembly、CUDA、Vulkan、Metal、WebGPU、Apple Core ML、Snapdragonなど）に対応します。バージョン5.21からは、参照用のPyTorch実装としてHugging Face Transformersにも入っており、音声データセットの作成などバッチのGPUスループットを狙っています。記事が挙げるデモには、Wi-Fiを切ったApple Watchで動く声、iPhoneの回数カウントアプリ、ブラウザ上のラジオ番組、コミュニティによるExecuTorchやNode.js向けの変換があります。重みはq8のGGUF形式で提供され、ブラウザのタブ内でその場で聞けるデモがあり、テキストは端末から出ません。話す速度の設定や音量の正規化もできます。

Gradiumは、Phononを4月に発表し、その後の6か月はパートナーと非公開のベータ版で過ごし、そのフィードバックがより小さなモデル、より多くの言語、カスタムの声への対応につながったと述べています。著者らはさらに、Phononは他の多くのTTSシステムの手法とは異なるフローマッチングを使うため、訓練は最初は数値的に不安定で、5言語すべてで良い品質を出すにはいくつかの工夫が必要だったと述べています。Transformersでは、モデルが音声の潜在表現を1ステップずつ生成し、各出力が次の入力に戻され、音声コーデックがテキストにおけるトークナイザーの役割を果たします。Transformers版は、Pocket TTSとの違いだけを記した約200行のコードだと説明されています。

限界は明らかです。寛容なライセンスなのは31mの英語モデルだけです。精度のテストは構造化された難しい文を使い、言語モデルで採点されるので、一般の音声ではなくその種のテキストを測っています。速度は少数の端末で測られており、Kokoroがストリーミングしない違いは明記されています。自然さの結果は、ベンダー自身が実施した聴取パネルです。記事は、Gradiumが設計パートナーと一緒に、たとえば韓国語、アラビア語、日本語向けのカスタムモデルを訓練していると述べており、公開されたモデルはそれらの言語を対象にしていません。私たちはモデルを動かしておらず、どの数値も再現していません。

私たちの見方です。小型で速く、オフラインで動くTTSは、プライバシー、コスト、遅延の点で有用で、この記事は開発者に、サイズ、ライセンス、対応プラットフォームを明確に示します。商用アプリを作る開発者は、どのモデルにどのライセンスが付くかに注意してください。順位はGradiumとHugging Faceの共著者によるランキングの解釈、性能値はGradiumの測定です。自分のテキスト、声、端末でも確認してください。