Gradium 详解 Phonon 端侧语音：英文版允许商用，多语言模型另有许可

新文章介绍的是已有开放模型的技术进展

Gradium 与 Hugging Face 相关团队在 11 月 5 日发表 Phonon 技术文章，回顾此前开放的端侧文本转语音模型，并介绍语言覆盖、推理框架及集成方式。原文明确模型更早已经开放，因此这篇应理解为技术说明和应用进展，而非把所有能力都视为当天首次推出。

一般语音应用需要把文本送到远端服务再取回音频，而端侧方案可以把推理放在用户设备。对离线交互、设备内朗读和重视数据路径的产品，这提供另一种工程选择；是否适合具体业务，还要结合目标设备与应用自身的数据处理方式判断。

英文与多语言版本的许可必须分别核对

官方区分了两个版本：Phonon 31m 面向英文，采用 Apache 2.0；Phonon 40m 覆盖英文、法文、德文、西班牙文和葡萄牙文，采用非商业许可。两者不能仅因为共享产品名称，就被合并成同一种可商用条件。

作者说明，多语言模型若用于商业项目，需要另行商谈商业安排。对开发者而言，免费获取权重、允许非商业研究和允许商业分发是不同问题。本文没有把可下载写成全部开源，也不补造商业报价；正式使用应核对对应模型文件和当时的许可条款。

端侧单流与批量生成对应不同推理路径

文章介绍为 Phonon 构建的 ptts 推理框架，覆盖多类处理器与运行后端；同时，Transformers 提供参考实现，适合研究与批量生成等工作。官方将设备上的单流执行和 GPU 吞吐场景分别讨论，没有声称一种部署方式适合所有负载。

从工程选型看，单个用户等待首段音频，与服务器集中生成大量音频，是两类不同指标。比较时应先确定目标，再检查内存、设备支持和完整音频生成过程。本文没有在用户设备运行测试，不把后端支持清单直接当成所有硬件上的性能保证。

声音文件可用于本地运行，创建声音是另一环节

作者介绍了内置声音和自定义声音的使用路径：可以在 Gradium Studio 创建声音，再下载声音文件用于设备推理。原文将声音克隆的前提写为获得说话者同意，也提到用文字描述新声音的方式。声音创建与最终本地合成需要分开理解。

因此，设备端运行并不自动说明整个产品从制作到使用都完全离线。开发者还应审视素材上传、文件分发与应用日志等环节。这里是对系统边界的通常解释，不是对 Studio 数据保留政策的新增断言；本文也不把生成声音当作真实人物的授权背书。

榜单表现只能按具体任务解读，中文支持没有公布

文章引用 Open TTS Leaderboard，分别讨论清晰度、速度、自然度和声音相似性。这些指标测量的对象不同，某个语言或某种设备上的领先不能直接推导为所有语言、场景和声音都更好。本站没有复现其评测，因此不采用标题中的通用领先表述作为独立结论。

对国内开发者还需要注意，官方列出的现有语言中没有中文，不能自行补上中文可用承诺。适合先探索的方向包括已支持语言的离线朗读和设备交互；若业务主要是中文，应先确认后续模型计划和实际样本，再决定是否引入，不应仅凭模型体积作选择。

继续阅读