Парижский стартап Gradium, отделившийся от лаборатории Kyutai, представил семейство моделей синтеза речи Phonon. Модели распространяются по лицензии Apache 2.0 и предназначены для локальной работы на смартфонах, ноутбуках и в браузерах.
Архитектура Phonon базируется на причинно-следственном трансформере и токенизаторе SentencePiece с словарем на 4000 токенов. Система генерирует аудио с частотой 24 кГц, используя декодер, созданный на основе технологии Mimi от Kyutai.
Версия Phonon 31M содержит 6 слоев трансформера, а версия 40M — 9 слоев. Обе модели прошли дистилляцию из более крупной версии и обучались на кластере NVIDIA H100 с использованием NCCL и CUDA Graphs.
В тестах на точность модель Phonon 31M показала уровень ошибок 1,70%, опередив Kokoro с 3,50% и NeuTTS Nano с 8,71%. На процессоре MacBook Air M5 модель работает в 29,9 раза быстрее реального времени.
Инструментарий поддерживает языки Rust, Python, Swift, C и C++. Модели совместимы с Transformers, MLX-Audio, Ollama и LM Studio, а также включают сервер, совместимый с API OpenAI, и WebSocket-сервер.
