Phonon пренася многоезичния синтез на реч на локални устройства

Phonon е компактен модел за синтез на реч, който генерира аудио директно на телефони, лаптопи, едноплаткови компютри и в браузър, без сървър или мрежова връзка. Разработчиците са представили две версии с размер около 65 MB и 75 MB. Заедно те поддържат английски, френски, немски, испански и португалски, както и над 100 вградени гласа. Потребителски гласове могат да се създават в Gradium Studio чрез клониране или описване на глас.

Моделът Phonon 31m е публикуван под лиценза Apache 2.0 и може да се използва и в комерсиални продукти. Phonon 40m обхваща петте езика, но е с лиценз за некомерсиална употреба. Моделът произлиза от линията Pocket TTS и използва flow matching. Според разработчиците той обработва и телефонни номера, дати и кодове.

В Open TTS Leaderboard на Hugging Face Phonon зае първо място по разбираемост на немски и испански и попадна в челната тройка за всеки оценен език. Моделите оглавиха CPU теста за време до първия аудиосигнал. Рамката ptts поддържа над 10 CPU, GPU и NPU бекенда, а интеграция с Transformers има от версия 5.21. През първите две седмици Phonon е изтеглен над 200 000 пъти.