Gradium ha comunicato che Phonon, la propria famiglia di modelli di sintesi vocale text-to-speech progettati per funzionare direttamente sui dispositivi degli utenti, ha superato 200.000 download nelle prime due settimane di disponibilità. I modelli, pubblicati inizialmente il 20 ottobre 2026, sono stati sviluppati per generare audio con bassa latenza e con requisiti computazionali contenuti, riducendo la necessità di ricorrere a servizi cloud per convertire il testo in parlato. L’aggiornamento tecnico diffuso il 5 novembre comprende nuovi risultati di benchmark relativi alla comprensibilità, alla velocità di generazione e alle capacità di esecuzione locale. Secondo Gradium, Phonon ha ottenuto il primo posto per intelligibilità in tedesco e spagnolo nell’Open TTS Leaderboard, classificandosi tra i primi tre modelli per tutte le lingue valutate, anche nel confronto con sistemi che possono avere dimensioni fino a cento volte superiori.
I test sulle prestazioni evidenziano tempi particolarmente ridotti per l’avvio della riproduzione audio. Nel confronto relativo al 95° percentile del tempo CPU necessario per produrre il primo segmento riproducibile, Phonon 31m English ha registrato 28 millisecondi e Phonon 40m English 38 millisecondi, rispetto ai 165 millisecondi riportati per Pocket TTS. La metodologia di valutazione comprende 23 lingue e utilizza indicatori di intelligibilità, fattore di tempo reale inverso, latenza iniziale e misure automatizzate di naturalezza. Per la clonazione vocale vengono inoltre confrontate le rappresentazioni numeriche della voce generata e del campione di riferimento. L’intelligibilità viene stimata tramite il confronto tra la trascrizione prodotta da un sistema di riconoscimento vocale e il testo originale, utilizzando tassi di errore a livello di parola o carattere. Queste misure non descrivono completamente la naturalezza, l’espressività o le preferenze degli ascoltatori, motivo per cui la piattaforma di valutazione permette anche di ascoltare e confrontare direttamente i campioni generati.
Dal punto di vista della distribuzione, Phonon 31m English dispone di pesi quantizzati a 8 bit per un totale di circa 64,5 MB ed è rilasciato con licenza Apache 2.0, che consente anche utilizzi commerciali. Le versioni da 40 milioni di parametri occupano circa 74,6 MB e sono disponibili per inglese, francese, tedesco, spagnolo e portoghese, attraverso modelli dedicati o una variante multilingue. Questi checkpoint utilizzano invece la licenza CC BY-NC 4.0, con condizioni non commerciali; Gradium propone accordi commerciali separati basati sul numero degli utenti anziché sulla quantità di audio generato. Phonon produce audio mono a 24 kHz e supporta la generazione in streaming, consentendo di iniziare la riproduzione prima che l’intero testo sia stato elaborato. Sono disponibili oltre 100 voci integrate, mentre Gradium Studio permette di progettare voci attraverso descrizioni testuali oppure di clonarle a partire da brevi registrazioni, con il consenso del titolare della voce.
L’infrastruttura di esecuzione comprende ptts, un runtime sviluppato in Rust che non richiede PyTorch e supporta CPU, GPU e NPU attraverso tecnologie quali CUDA, Vulkan, Metal, WebGPU, WebAssembly e Apple Core ML, oltre a hardware Intel, Arm e Snapdragon compatibile. Dalla versione 5.21 di Transformers è disponibile anche un’implementazione PyTorch orientata alla generazione batch su GPU e all’ottimizzazione mediante torch.compile. Il modello utilizza un transformer causale che produce rappresentazioni audio latenti continue a 32 dimensioni e 12,5 Hz, successivamente decodificate in audio a 24 kHz; le identità vocali sono rappresentate da vettori precomputati a 512 dimensioni. Rimangono alcune differenze funzionali tra i due percorsi: il codec per preparare nuove identità vocali non è stato rilasciato, il tokenizer audio di Transformers è limitato alla decodifica e la gestione di numeri, importi, simboli e indirizzi non riproduce tutte le funzioni del runtime Gradium. La suddivisione dei testi lunghi in frasi separate può inoltre interrompere la continuità prosodica. La disponibilità delle due implementazioni consente quindi di scegliere tra sintesi privata a flusso singolo sul dispositivo e generazione parallela su infrastrutture GPU.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)