Gradium 开源 Phonon 端侧语音合成：最小 64MB，手机和浏览器里离线就能读稿
10 月 20 日，法国语音 AI 公司 Gradium 开源了 Phonon 系列端侧语音合成模型，包括 3100 万参数的英文版和 4000 万参数的单语种、多语种版本，量化后约 64MB 到 75MB，可以在手机、笔记本 CPU、浏览器里离线运行。英文 31m 版采用 Apache 2.0，可商用；40m 版本支持英、法、德、西、葡五种语言，但是 CC BY-NC 许可，商用需联系官方。目前不支持中文。
据 Gradium 官方博客的开源公告和 Hugging Face 模型页，Gradium 于 10 月 20 日开源了 Phonon，一组专门跑在设备本地的文字转语音（TTS）模型。它今年 4 月首次公布，此后一直处于内测，这次正式放出权重。
几个要点：
- 非常小：Phonon 31m 量化后约 64MB，Phonon 40m 约 74.6MB，官方称 31m 版在笔记本 CPU 上 7 毫秒就能开始出声；
- 完全离线：模型和音色下载好之后不需要联网，文本和音频都不离开设备；
- 跑得动的设备多：支持 Intel、Arm 的 CPU，浏览器里的 WebAssembly 和 WebGPU，CUDA、Metal、Vulkan 显卡，以及苹果 Core ML 和骁龙 NPU，官方说树莓派 5 也能跑；还能作为本地服务提供兼容 OpenAI 格式的接口；
- 语言和音色：31m 只有英文，内置 37 个音色；40m 有英、法、德、西、葡单语种版本，以及一个五语种合一、内置 102 个音色的多语种版本；目前不支持中文；
- 许可分两档：英文 31m 版采用 Apache 2.0，可以免费商用；40m 系列是 CC BY-NC，只能非商用，商用要联系 Gradium；
- 使用约束：模型页明确要求不得用来冒充真人或未经本人同意克隆声音，在需要时告诉听众这是合成语音。
对创作者意味着什么： 端侧 TTS 的意义在于不按字数付费、不用上传文稿，适合做英文口播草稿、给小工具或小游戏加配音、做离线朗读功能。做中文内容的创作者暂时用不上它，但如果你在做面向海外的英文短视频或独立开发小应用，Apache 2.0 的 31m 版是一个可以直接商用、成本几乎为零的选择。音色只用官方内置的，不要拿它去模仿真人的声音。
信息来源：Gradium 官方博客（本文为编辑整理改写）
