Gradium開源超小語音模型：權重僅64MB，手機斷網也能開口說話

動察 Beating AI 快訊，AI 語音公司 Gradium 開源語音生成模型 Phonon。它在今年 4 月以約 1 億參數開始私測，這次推出 3100 萬和 4000 萬參數版本，並首次公開模型權重。其中，3100 萬參數英語版的 Q8 權重僅 64MB，普通 CPU 就能運行。4000 萬參數版支持英、法、德、西、葡五種語言，提供單語言及五語合一模型。

Phonon 通過蒸餾更大的模型訓練而來。它直接讀取文本，不必先轉換成音素，再利用 Transformer 逐步預測聲音特徵，通過 Mimi 解碼器生成音頻。每次輸出對應 80 毫秒的語音，可以邊合成邊播放，不必等整句話生成完。

速度方面，Gradium 披露，Phonon 在驍龍 8 Elite Gen 5 上生成首段音頻僅需 7.5 毫秒，合成速度達到實時的 24 倍。在 MacBook Air M5 的 CPU 上，首音約 7 毫秒。

音質方面，Gradium 組織了 1189 名試聽者，完成超過 1.7 萬次盲聽投票。3100 萬參數英語版獲得 2098 Elo，高於 1 億參數 Pocket TTS 的 2056。在另一項包含電話號碼、郵箱等複雜文本的 500 句英語測試中，Phonon 的詞錯誤率為 1.7%，低於另一款 8200 萬參數開源語音模型 Kokoro 的 3.5%。這些成績均來自 Gradium 公布的測試。

Phonon 已接入 Ollama、MLX-Audio 等工具。合作方 Xybrid 還在一台 16GB M1 Pro MacBook 上，同時運行 8B Agent、Whisper 和 Phonon，讓 3D 遊戲角色在完全斷網的情況下實時對話。

目前只有 3100 萬參數英語版採用 Apache 2.0 許可證，允許商業使用。4000 萬參數及多語言版本採用 CC BY-NC 許可證，商用需另行授權。暫未發布中文模型。