Gradium، شرکت هوش مصنوعی صوتی مستقر در پاریس که از دل Kyutai بیرون آمده، خانواده مدل‌های Phonon را برای تولید گفتار روی دستگاه منتشر کرد. مدل ۳۱ میلیون پارامتری این خانواده فقط انگلیسی است، ۳۷ صدای داخلی دارد و تحت لایسنس Apache 2.0 عرضه شده — یعنی بدون محدودیت تجاری. حجم فایل GGUF با کوانتیزه q8 آن ۶۴٫۵ مگابایت است و خروجی صدای ۲۴ کیلوهرتز تک‌کاناله تولید می‌کند.

معماری و نسخه‌ها#

Phonon از یک backbone ترنسفورمر علّی استفاده می‌کند. توکنایزر SentencePiece با واژگان ۴٫۰۰۰ تویی متن خام را بدون تبدیل به فونیم می‌خواند. مدل در هر فریم ۸۰ میلی‌ثانیه‌ای یک بردار نهفته تولید می‌کند و یک سر flow-matching آن را در یک مرحله به امبدینگ صوتی تبدیل می‌کند. بخش رمزگشا نسخه کوچک‌تری از Mimi (مربوط به Kyutai) است. مدل ۳۱m از ۶ لایه ترنسفورمر با عرض ۵۱۲ و ۸ سر توجه استفاده می‌کند؛ مدل ۴۰m از ۹ لایه با همان عرض. هر دو از یک معلم بزرگ‌تر تقطیر شده‌اند و روی کلاستر NVIDIA H100 آموزش دیده‌اند.

سه نسخه در خانواده Phonon وجود دارد:

  • Phonon 31m: انگلیسی، ۳۷ صدا، Apache 2.0، ۶۴٫۵ مگابایت
  • Phonon 40m: یک مدل برای هر زبان (انگلیسی، فرانسوی، آلمانی، اسپانیایی، پرتغالی)، CC BY-NC 4.0، ۷۴٫۶ مگابایت
  • Phonon 40m multilingual: هر ۵ زبان در یک مدل، ۱۰۲ صدا، CC BY-NC 4.0

عملکرد#

Gradium در آزمون شنیداری کور با ۱٫۱۸۹ ارزیاب و ۱۷٫۲۷۰ رأی، مدل ۴۰m را با Elo ۲۱۱۷ و ۳۱m را با ۲۰۹۸ رتبه‌بندی کرد. Kokoro در این آزمون ۲۰۴۳ به دست آورد.

روی مجموعه جملات دشوار (۵۰۰ جمله شامل شماره تلفن، ایمیل و کد پستی)، Phonon 31m خطای کلمه‌ای ۱٫۷۰٪ ثبت کرد در مقابل ۳٫۵۰٪ برای Kokoro و ۸٫۷۱٪ برای NeuTTS Nano. اما روی مجموعه ساده‌تر Seed-TTS فاصله کم می‌شود: Phonon 31m با ۰٫۵۱٪ در مقابل Kokoro با ۰٫۴۵٪.

سرعت روی CPU قابل توجه است: روی MacBook Air M5 با ۴ رشته، اولین قطعه صوتی در ۶٫۹ میلی‌ثانیه تولید می‌شود و مدل ۲۹٫۹ برابر سریع‌تر از زمان واقعی اجرا می‌شود. روی Raspberry Pi 5 شروع در ۳۸ میلی‌ثانیه و ۳٫۷ برابر زمان واقعی است؛ Kokoro روی همان Pi برای شروع ۷ ثانیه نیاز دارد.

استقرار#

زمان اجرا تحت لایسنس MIT یا Apache-2.0 منتشر شده و از Rust، Python (pip install ptts)، Swift، C، C++ و مرورگر پشتیبانی می‌کند. یک سرور سازگار با OpenAI و یک سرور WebSocket هم ارائه شده. مدل در Transformers، MLX-Audio، Ollama و LM Studio بارگذاری می‌شود.

این خبر برای کسی که ایجنت صوتی می‌سازد یعنی چه#

مهم‌ترین عدد در این خبر ۶۴٫۵ مگابایت و لایسنس Apache 2.0 است، نه ۳۱ میلیون پارامتر. تا پیش از این، مدل‌های TTS کوچکِ آفلاین یا لایسنس غیرتجاری داشتند یا کیفیتشان روی متن‌های واقعی (شماره، ایمیل، کد پستی) افت می‌کرد. Phonon 31m هر دو مشکل را هم‌زمان حل می‌کند — ولی فقط برای انگلیسی. اگر محصول شما چندزبانه است، نسخه ۴۰m با CC BY-NC در دسترس است که اجازه استفاده تجاری نمی‌دهد.

عدد ۶٫۹ میلی‌ثانیه اولین صوت روی CPU یعنی می‌توان ایجنت گفتگوی صوتی ساخت که کاربر وقفه شبکه حس نکند. اما احتیاط: اعداد WER و Elo از ارزیابی خود Gradium آمده‌اند و مقایسه با Kokoro و NeuTTS Nano بر اساس معیارهای انتخاب‌شده توسط همین تیم است. روی مجموعه Seed-TTS که آسان‌تر است، Kokoro هنوز جلوتر است.

منبع: MarkTechPost