Gradium 开源 Phonon 端侧语音合成模型：参数不到 5000 万、无需显卡即可本地运行，仅英文 31m 版可商用

这件事意味着什么

【要点】

语音 AI 公司 Gradium 于 10 月 20 日开源 Phonon，一组可在设备上本地运行的文字转语音（TTS）模型，参数都在 5000 万以下，不需要显卡，也不需要联网。

一、三个版本：Phonon 31m 只做英文，约 64 MB，采用 Apache 2.0 许可，可以商用；Phonon 40m 有英、法、德、西、葡五个单语版本；Phonon 40m multilingual 用一套权重覆盖这五种语言。两个 40m 版本是 CC BY-NC 非商业许可，商用需另找 Gradium 授权。

二、速度（Gradium 自测）：在 MacBook Air M5 的 CPU 上约 7 毫秒开始出声，而 Kokoro 要 517 毫秒；在树莓派 5 上 31m 版 38 毫秒出声、3.7 倍实时速度。Qualcomm 测得在骁龙 8 Elite Gen 5 上 7.5 毫秒出声，Arm 测得在 Arm CPU 上 28 毫秒出声。

三、准确度（Gradium 自测）：在 500 句电话号码、邮箱、邮编等难读文本上，31m 版英文词错误率 1.70%，Kokoro 为 3.50%；测试集已公开在 Hugging Face。

四、生态：首日支持 Hugging Face Transformers、Ollama、LM Studio、MLX-Audio，可在浏览器、iPhone、Apple Watch 上运行；内置 100 多种声音，也能载入在 Gradium 平台克隆或设计的声音。

五、技术上基于 Kyutai 的 Pocket TTS 研究。

【可核验】

公告：https://gradium.ai/blog/release-phonon-open-weight

官方发布帖：https://x.com/GradiumAI/status/2112563128487514512

模型：https://huggingface.co/gradium/phonon-31m-en

多语言模型：https://huggingface.co/gradium/phonon-40m-multilingual

代码：https://github.com/gradium-ai/xn-ptts

难句测试集：https://huggingface.co/datasets/gradium/tts-hard-sentences-202610

【我们的判断】

一、本地语音合成的门槛又降了一档：几十 MB 的模型就能在手机、手表、浏览器里实时说话，适合游戏角色、离线助手和隐私敏感的应用。

二、只有英文 31m 版可直接商用；多语言和效果更好的 40m 版是非商业许可，这一点容易被「开源」两个字掩盖。

三、速度和准确度对比都来自 Gradium 和合作伙伴自己的测试，对手主要是 Kokoro 等同量级小模型，还没有第三方榜单结果。