10 月 22 日，巴黎语音 AI 公司 Gradium 开源了面向端侧的文本转语音模型家族 Phonon，源自 Kyutai 的分拆团队。英文版 Phonon 31m 参数 3100 万，量化后 64.5 MB，采用 Apache 2.0 许可，可在 CPU、手机、树莓派 5、浏览器与英伟达 GPU 上运行，不需要联网也不需要显卡。
难句集错误率 1.70%
在 500 句包含电话号码、邮箱和邮编的公开难句集上，Phonon 31m 的词错误率为 1.70%，Kokoro 为 3.50%，NeuTTS Nano 为 8.71%。换成较易的 Seed-TTS 集合，差距收窄到 0.51% 与 0.45%。主观盲测由 1189 名评分者完成，共 17270 票，英文 Elo 分 Phonon 40m 得 2117、Phonon 31m 得 2098，Kokoro 为 2043。
树莓派上 38 毫秒开口
在 MacBook Air M5 的 CPU 四线程下，首段音频 6.9 毫秒即可输出，速度为实时的 29.9 倍，换用 Arm KleidiAI 与 Apple Accelerate 后可达 46.7 倍实时。树莓派 5 上启动需 38 毫秒、实时倍速 3.7 倍，而 Kokoro 在同一设备上要等 7 秒。高通骁龙 8 Elite Gen 5 上为 7.5 毫秒，英伟达 L40S 通过 CUDA 可到 5 毫秒。
结构与许可的取舍
Phonon 31m 采用 6 层 Transformer、宽度 512、8 个注意力头，40m 版本为 9 层，两者均由更大的教师模型蒸馏而来。31m 只支持英文并内置 37 个音色，40m 版本覆盖英法德西葡五种语言、102 个音色，但许可换成 CC BY-NC 4.0 非商用条款。运行时覆盖 Rust、Python、Swift、C、C++ 和浏览器端，并提供 OpenAI 兼容接口。
模型用因果 Transformer 作为骨干，前缀拼接文本与说话人嵌入，SentencePiece 分词器 4000 词表直接读原始文本不做音素转换，每 80 毫秒生成一个隐向量，再由流匹配头一步转成音频嵌入，末端接一个小型 Mimi 解码器输出 24 kHz PCM，另有独立的结束预测头判断何时停止发声。
端侧语音合成的工程路线，可与蚂蚁 Ming-3.0 开源语音系列对照。
延伸阅读
- 面壁MiniCPM-V 4.7发布：iPhone 3GB内存跑13+ token/s1 周前
- 蚂蚁百灵开源Ming-3.0语音系列：五款模型覆盖合成、理解与识别，导演模式可描述情绪3 天前
- DeepSeek-V4.1登顶Code Arena开源榜首：1670分超越Kimi K33 天前
- TOPC TXA2 Gorgon Halo迷你AI工作站：192GB+2TB1 周前
继续读
同一批更新里这几篇值得一看：
- IBM 开源 Granite Speech 5.0：错误率 5.68%2026-10-23
- 蚂蚁 Ming-3.0-tts 登顶开源榜：发音鲁棒性 93.2% 并列第一2026-10-22
- 英伟达 Nemotron 3.5 Super VL：1200 亿参数，单卡吞吐提升 5 倍2026-10-16
想快速查定义？对应的词条在这里：
- AI Agent词条 · AI 自学笔记