Hugging Face와 Gradium이 Phonon 공개 2주 뒤를 돌아보다: 기기 내 소형 TTS가 다운로드 20만 회 넘게, Open TTS Leaderboard에서 독일어와 스페인어 명료도 1위로 보고되었지만 Apache 2.0은 31m 영어판뿐이고 순위는 공동 저자들의 리더보드 해석이고 성능 수치는 Gradium 측정이다

2026년 11월 5일 Hugging Face 블로그는 Gradium과 Hugging Face 사람들이 쓴 「A Closer Look at Phonon」을 게시했습니다. 2주 전의 Phonon을 돌아보는 글입니다. Phonon은 Gradium이 2026년 10월 20일에 오픈소스로 공개한 작은 텍스트 음성 변환(TTS) 모델군으로, 서버도 네트워크도 없이 사용자 자신의 기기에서 돌아갑니다. 새 출시가 아니라 출시 회고이고, 독립 평가가 아니라 파트너가 쓴 글입니다. 아래의 모델 표와 측정 세부 내용은 Gradium의 출시 글에서 가져왔습니다.

모델은 두 가지 크기입니다. Phonon 31m은 영어를 말하고 8비트 형태로 약 64 MB이며 Apache 2.0 라이선스여서 상용 제품에도 쓸 수 있습니다. Phonon 40m은 약 74.6 MB이고 영어, 프랑스어, 독일어, 스페인어, 포르투갈어를 지원하는데, 언어별 모델 또는 하나의 다국어 모델로 제공되며 비상업적 사용만 허용하는 CC BY-NC 라이선스입니다. 글은 이 모델들의 상업적 사용 요금이 생성한 음성의 양이 아니라 사용자 수로 매겨진다고 말합니다. 내장 목소리는 100개가 넘고, 화자의 동의를 얻은 짧은 녹음으로 목소리를 복제하거나 Gradium Studio에서 문장 설명으로 새 목소리를 설계할 수 있습니다. 모델은 숫자, 날짜, 전화번호, 코드를 텍스트 정규화로 처리합니다. Phonon은 Kyutai의 Pocket TTS 계열에 속하며 플로 매칭으로 오디오를 생성합니다.

글은 채택과 순위를 보고합니다. Phonon이 처음 2주 동안 20만 번 넘게 내려받았고 Hugging Face에서 여전히 인기라고 합니다. 오픈 모델을 23개 언어에서 명료도(단어 오류율), 속도, 자연스러움으로 비교하는 Hugging Face의 Open TTS Leaderboard에서, 저자들은 Phonon이 명료도에서 독일어와 스페인어 1위, 평가한 모든 언어에서 상위 3위이고, 최대 100배 큰 모델과 나란히 있으며, 첫 오디오까지의 시간에서 CPU 스트리밍 벤치마크 1위라고 말합니다. 리더보드에 대한 이 해석은 저자들의 것이며 우리는 실시간 리더보드를 확인하지 않았습니다.

Gradium의 출시 글은 자체 측정을 더합니다. 개발자들이 현재 모델이 잘못 읽는다고 말한 사례에서 모은, 언어별 어려운 문장 500개의 테스트 세트에서 영어 단어 오류율은 Phonon 31m이 1.70%, Phonon 40m이 2.22%, 다국어 모델이 2.11%였고, Kokoro는 3.50%, Kitten TTS는 7.40%, NeuTTS Nano는 8.71%, Magpie는 27.51%였습니다. 전사는 멀티모달 모델이 만들었고 오류율은 언어 모델이 채점했으며, 테스트 세트는 다른 시스템의 실패 사례로 만들어졌습니다. 속도에 대해 Gradium은 MacBook Air M5 CPU에서 Phonon이 약 7밀리초 만에 말하기 시작하는 반면 Kokoro는 517밀리초라고 보고합니다. Kokoro는 스트리밍하지 않아서 첫 오디오가 문장 전체입니다. Raspberry Pi 5에서 Phonon 31m은 38밀리초에 시작해 실시간의 3.7배 빠르게 돌아갑니다. Gradium은 또한 Kokoro, Magpie, NeuTTS, Pocket TTS와 비교하는 블라인드 청취 시험을 평가자 1,189명, 17,270표로 진행했습니다.

Phonon에는 자체 추론 프레임워크 ptts가 딸려 있고, WebAssembly, CUDA, Vulkan, Metal, WebGPU, Apple Core ML, Snapdragon을 포함해 CPU, GPU, NPU의 10개가 넘는 백엔드를 지원합니다. 버전 5.21부터는 Hugging Face Transformers에도 참조용 PyTorch 구현으로 들어 있는데, 음성 데이터셋을 만드는 것 같은 배치 GPU 처리량을 겨냥합니다. 글이 소개하는 데모로는 Wi-Fi를 끈 Apple Watch에서 나는 목소리, 횟수를 세는 iPhone 앱, 브라우저의 라디오 방송, 커뮤니티가 만든 ExecuTorch와 Node.js 변환이 있습니다. 가중치는 q8 GGUF 형태로 제공되고, 브라우저 탭 안에서 바로 들어 볼 수 있는 웹 데모가 있으며 텍스트는 기기 밖으로 나가지 않고, 모델은 말하는 속도를 정하고 음량을 정규화할 수 있게 해 줍니다.

Gradium은 Phonon을 4월에 발표한 뒤 6개월 동안 파트너와 비공개 베타를 진행했고, 그 피드백이 더 작은 모델, 더 많은 언어, 맞춤 목소리 지원으로 이어졌다고 말합니다. 저자들은 또 Phonon이 다른 대부분의 TTS 시스템과 다른 기법인 플로 매칭을 쓰기 때문에 훈련이 처음엔 수치적으로 불안정했고, 다섯 언어 모두에서 좋은 품질을 내려면 여러 요령이 필요했다고 덧붙입니다. Transformers에서 모델은 오디오 잠재 표현을 한 단계씩 생성하고 각 출력이 다음 입력으로 되먹임되며, 오디오 코덱이 텍스트에서 토크나이저가 하는 역할을 합니다. Transformers 버전은 Pocket TTS와 다른 점만 적은 약 200줄의 코드로 설명됩니다.

한계는 분명합니다. 느슨한 라이선스인 것은 31m 영어 모델뿐입니다. 정확도 시험은 어려운 구조화 문장과 언어 모델 채점을 쓰므로 일반 음성이 아니라 그런 종류의 텍스트를 측정합니다. 속도는 몇몇 기기에서 측정했고 Kokoro가 스트리밍하지 않는다는 차이는 명시되어 있습니다. 자연스러움 결과는 업체가 직접 운영한 청취 패널입니다. 글은 Gradium이 디자인 파트너와 함께 예를 들어 한국어, 아랍어, 일본어용 맞춤 모델을 훈련한다고 말하므로, 공개된 모델은 그 언어들을 다루지 않습니다. 우리는 모델을 실행하지 않았고 어떤 수치도 재현하지 않았습니다.

우리의 해석입니다. 작고 빠르며 오프라인으로 도는 TTS는 개인정보, 비용, 지연에 쓸모가 있고, 이 글은 개발자에게 크기, 라이선스, 플랫폼의 분명한 목록을 줍니다. 상용 앱을 만드는 개발자는 어느 모델에 어느 라이선스가 붙는지 유의해야 합니다. 순위는 Gradium·Hugging Face 공동 저자들의 리더보드 해석이고 성능 수치는 Gradium 측정입니다. 자신의 텍스트, 목소리, 기기로도 확인하세요.