Gradium 开源端侧 TTS 模型 Phonon，31M 参数、支持 37 种语音

Techub News 消息，巴黎语音 AI 公司 Gradium 开源了端侧文本转语音模型系列 Phonon。该系列包括 31M 和 40M 参数版本，其中 Phonon 31m 为纯英文模型，采用 Apache 2.0 许可，文件大小 64.5 MB，内置 37 种语音，可在手机、笔记本电脑、树莓派 5 及浏览器上本地运行，无需 GPU 或云端调用。 Phonon 使用因果 Transformer 主干网络，结合文本和说话人嵌入，通过 SentencePiece 分词器直接处理原始文本，无需音素转换。其流匹配头部将潜在向量与噪声单步转换为音频嵌入，再经 Kyutai Mimi 解码器变体输出 24 kHz PCM 音频。 据 Gradium 测试，Phonon 在英文 Elo 评分中领先于其他开源模型，在 500 句困难测试集上词错误率（WER）为 1.70%，优于 Kokoro 的 3.50%；在 CPU 上首段音频生成延迟约 7 毫秒。（MarkTechPost）