深入了解Phonon TTS：推出登顶基准的高质量端侧语音合成

英文原标题：A Closer Look at Phonon TTS. Launching High-Quality On-Device Speech That Tops the Benchmarks.

本文为英文原文的机器翻译摘要，原文见：Hugging Face Blog ↗

• Phonon 是 Gradium 推出的端侧文本转语音模型，无需服务器和网络，用户输入的文本保留在本地设备上。
• 模型有两个尺寸（约 65 MB 和 75 MB），支持英语、法语、德语、西班牙语和葡萄牙语，内置超过 100 种声音，并能处理电话号码、日期和代码等常见难点。
• Phonon 31m 采用 Apache 2.0 许可，可免费商用；Phonon 40m 覆盖五种语言，采用 CC BY-NC 非商业许可，商用定价基于用户数量而非语音生成量。
• 在 Hugging Face Open TTS Leaderboard 上，Phonon 在德语和西班牙语的可懂度排名第一，在所有评估语言中均进入前三，并在 CPU 流式基准的首个音频时间上领先。
• 发布两周内下载量超过 20 万次，并提供了 Apple Watch、iPhone、浏览器和机器人等多种离线演示，同时推出了专用推理框架 ptts 和 Transformers 集成。

关键数据

• Phonon 31m 参数量为 30,788,354，音频分词器参数量为 10,305,313。
• 模型大小约为 65 MB 和 75 MB。
• 支持超过 100 种内置声音。
• 发布两周内下载量超过 200,000 次。
• Hugging Face Hub 上有超过 9,000 个 TTS 模型。
• ptts 支持超过 10 种后端，包括 CPU、GPU 和 NPU。

为什么值得看：Phonon 展示了在极小模型上实现高质量、多语言且完全离线的语音合成，并在公开基准上媲美大得多的模型，为端侧语音应用提供了新选择。