Hugging Face与Gradium回顾Phonon发布两周：设备端小型TTS模型被报下载超20万次、在Open TTS Leaderboard上德语和西班牙语可懂度居首，但只有31m英语版是Apache 2.0，排名是合著作者的榜单解读，性能为Gradium测量

2026年11月5日，Hugging Face博客发表了《A Closer Look at Phonon》，作者来自Gradium和Hugging Face。文章回看了两周前的Phonon：这是Gradium在2026年10月20日开源的一组小型文本转语音（TTS）模型，直接在用户自己的设备上运行，不需要服务器，也不需要网络。这是一篇发布回顾，不是新发布，是合作方文章，不是独立评测。下文用到的模型表和基准细节来自Gradium的发布文章。

模型分两种尺寸。Phonon 31m说英语，8位量化后约64 MB，采用Apache 2.0许可，可以用于商业产品。Phonon 40m约74.6 MB，涵盖英语、法语、德语、西班牙语和葡萄牙语，可以是每种语言一个模型，也可以是一个多语言模型，采用CC BY-NC许可，只允许非商业使用。文章说，这些模型用于商业用途时，按用户数收费，而不是按生成的语音量。内置声音超过100种，用户也可以在征得说话人同意的前提下，用一小段录音克隆声音，或在Gradium Studio里用文字描述设计一种声音。模型通过文本规范化处理数字、日期、电话号码和代码。Phonon属于Kyutai的Pocket TTS系列，用流匹配生成音频。

文章报告了使用情况和排名。它说Phonon在头两周内被下载超过20万次，仍在Hugging Face上热门。在Hugging Face的Open TTS Leaderboard上（它在23种语言里比较开放模型的可懂度即词错误率、速度和自然度），作者称Phonon在可懂度上德语和西班牙语排第一，在他们评测的每种语言里都排前三，对手包括体量大至100倍的模型，并且在CPU流式基准的首个音频时间上居首。这些对排行榜的解读是作者自己的，我们没有核对实时排行榜。

Gradium的发布文章还给出自己的测量。在每种语言500个难句的测试集上（这些句子来自开发者说其现有模型会读错的案例），英语词错误率为：Phonon 31m 1.70%，Phonon 40m 2.22%，多语言模型2.11%，对比Kokoro 3.50%、Kitten TTS 7.40%、NeuTTS Nano 8.71%、Magpie 27.51%。转写由多模态模型完成，错误率由语言模型打分，测试集是用其他系统的失败案例建成的。在速度方面，Gradium报告在MacBook Air M5的CPU上，Phonon约7毫秒开始发声，Kokoro为517毫秒，而Kokoro不支持流式，所以它的首个音频就是整句话。在树莓派5上，Phonon 31m 38毫秒开始，速度是实时的3.7倍。Gradium还与Kokoro、Magpie、NeuTTS和Pocket TTS做了盲听测试，有1,189位评审、17,270票。

Phonon自带推理框架ptts，支持CPU、GPU和NPU上的10多种后端，包括WebAssembly、CUDA、Vulkan、Metal、WebGPU、Apple Core ML和Snapdragon。它也从5.21版起进入Hugging Face Transformers，作为参考的PyTorch实现，面向批量GPU吞吐，例如用来构建语音数据集。文章列出的演示包括在关闭Wi-Fi的Apple Watch上运行的声音、iPhone上的计数健身应用、浏览器里的电台节目，以及社区转换到ExecuTorch和Node.js的版本。权重以q8 GGUF格式提供，网页上有直接在浏览器标签页里试听的演示，文本全程留在设备上；模型还允许设置语速并统一响度。

Gradium说，它在4月宣布了Phonon，随后的六个月与合作伙伴一起做私测，反馈促成了更小的模型、更多的语言和对自定义声音的支持。作者还说，Phonon采用流匹配，这与多数其他TTS系统的技术不同，所以训练起初在数值上不稳定，需要若干技巧才能在全部五种语言上得到好的质量。在Transformers里，模型一步一步地生成音频潜变量，每个输出作为下一步的输入，音频编解码器所起的作用相当于文本的分词器。Transformers版本被描述为约200行代码，只列出与Pocket TTS不同的部分。

局限很清楚。只有31m英语模型采用宽松许可。准确率测试使用困难的结构化句子，并由语言模型评分，所以它衡量的是这类文本，而不是一般的语音。速度只在几种设备上测量，Kokoro不支持流式这一差别已经注明。自然度结果是厂商自己组织的听感小组。文章说Gradium与设计合作伙伴一起训练定制模型，例如韩语、阿拉伯语或日语，也就是说已发布的模型不覆盖这些语言。我们没有运行这些模型，也没有复现任何数字。

我们的看法：体积小、速度快、可离线的TTS对隐私、成本和延迟都有用，这篇文章为开发者清楚列出了尺寸、许可和平台。做商业应用的开发者要注意哪个模型对应哪种许可。排名是Gradium与Hugging Face合著作者对榜单的解读，性能数字来自Gradium测试；请用自己的文本、声音和设备复核。