一个装得进浏览器标签页的嗓子
Gradium 开源端侧语音合成模型 Phonon：31M/40M 两档，完全本地生成；31M 版只支持英语，五种语言由 40M 多语种版覆盖，两者许可证不同。
机器说话这件事，人类惦记了很久。早年间的电子合成音，一字一顿，像是被人掐着脖子念稿子，听久了让人发毛。后来云端的语音合成越来越像真人，可代价也摆在那里：你得先把要念的字送出去，等远方的机房念完，再把声音传回来。这一来一回，平时察觉不到，一旦进了电梯、上了飞机、钻进信号不好的山沟，嗓子就哑了。说到底，那副好嗓子从来不长在你的设备上，是借来的，句号。
10 月 21 日，在 GTC Berlin 上，一家叫 Gradium 的公司发布了一个开源的语音合成模型，名叫 Phonon。Gradium 由 Kyutai 实验室的联合创始人们创办，做语音这一行算是科班出身。据 Gradium 官方介绍，Phonon 的卖点只有一个，却很要紧：语音完全在本地生成，没有网络往返。字不出门，声音也不出门，念完就在你手边。
这模型小得有点不讲道理。官方给了两个版本，一个 40M 参数，一个 31M 参数，拿来对照的是 Kokoro 82M，后者是目前端侧开源语音合成里常被拿来做基准的那一个。体积方面，官方博客的副标题写的是最小 64.5MB。对照 Hugging Face 上的模型卡，这正是 31M 英文版 8 位量化权重文件的大小，40M 各版本的同类文件是 74.6MB。CTO 在引语里说的是 Phonon 以 90 MB 装进手机或浏览器标签页，这个数字按什么口径算，官方没有说明，我也不替它圆，下文以模型卡上的文件大小为准。不管取哪一个，这都是一个可以随手塞进 App、塞进网页的尺寸，不是要专门腾一台机器伺候的庞然大物。
小归小，嗓子好不好听才是真章。Gradium 官方称，在盲测中，Phonon 的整体偏好胜过 Kokoro、Magpie 和 Pocket TTS。这是厂商自己组织、自己公布的结果，我没见到第三方复现，听个响可以，当定论还早。语言方面，官方博客说首发是一个多语言模型，覆盖英语、法语、德语、西班牙语和葡萄牙语。可照 Hugging Face 模型卡的说法，覆盖这五种语言的是 40M 的多语种版，另有法、德、西、葡各自的 40M 单语版；31M 版只会说英语。语速可以调。预置音色约有 100 种，官方博客点名的有 Harper、Sterling、Freya、Toby，拿来就能用。中文不在首发名单里，国内开发者想直接拿来念中文，眼下还轮不上。
真正让我多看两眼的，是它的推理代码。Gradium 没有借现成的运行时，自己写了一套，官方称比 Kokoro 和基于 llama.cpp 的运行时都快。接口铺得很开，Rust、Python、Swift、WebAssembly 都有集成；后端上有 CUDA，连 Jetson 这类嵌入式板子也算在内，另有 WebGPU，意思是浏览器里也能借显卡的力。手艺人都知道，模型训出来只是一半，另一半是怎么让它在各种破旧的、廉价的、五花八门的设备上跑起来，这一半往往更脏更累，也更见功夫。
速度上，官方给的数字是首段语音的出声时间：在 L40S 显卡上 5ms，在 AMD EPYC 7413 这颗服务器 CPU 上 43ms，GPU 比 CPU 快 8 倍。同样是厂商自报，测法细节要看原文。不过说句实在话，对于说话这件事，人耳朵对开头那一下的停顿最敏感，问一句话，那边先愣上半拍，再好听的嗓子也显得木。首段出声快，比整段念得快更要紧，这一点 Gradium 是懂行的。
同一个模型，在服务器上可以交给显卡去跑，在笔记本和手机上可以靠 CPU 撑着，到了浏览器里又能借 WebGPU 的力，这才是这套东西的要害。过去做端侧语音的人，常常要为每一种设备单独找一个能用的运行时，这个平台能跑，那个平台卡顿，到最后不是在做产品，是在给各家的硬件打补丁。Gradium 自己把这摊脏活揽了下来，开发者的担子就轻了一截。当然，官方说得好听是一回事，换到你手边那台旧手机上跑成什么样，还得自己试过才算数。
许可证得分开看。官方博客笼统写的是 Apache 2.0，模型卡上写得更细：31M 英文版的权重是 Apache 2.0，可以商用；40M 系列，包括多语种版，用的是 CC BY-NC 4.0，不能商用；推理运行时是 MIT 或 Apache-2.0 双许可。真要拿去做产品，先看清手里是哪一个。权重放在 Hugging Face，代码放在 GitHub。官方列的首发合作方包括 Hugging Face、Arm、高通、LM Studio、Ollama、MLX Audio 等。这串名字的意思很清楚：手机芯片、本地模型的启动器、苹果机器上的音频工具，都打算接它。一个小模型想活下去，靠的不是跑分榜上多一两名，而是被装进足够多的地方，让人在不知不觉中用上它。
当然，天下没有白给的嗓子。开源的这一版里，只能用现成的预置音色。声音克隆和声音设计，要走 Gradium 自家的 API，不在开源版本里。这个分法我倒觉得厚道。克隆别人的声音，是一件很容易出事的手艺，拿谁的嗓子说话，就等于替谁开口，被人借去冒名打电话、编造录音，后果比一张修过的照片还难收拾。Gradium 在模型卡里也写明，不得在说话人不同意的情况下克隆声音。所以要说清楚：无论用 API 还是任何别的工具克隆声音，都必须先拿到声音主人本人的授权，未经同意，不要碰。
我反倒觉得，把克隆从开源包里拿出去，是给这个模型留了一条活路。一个谁都能下载、谁都能随手模仿别人嗓音的东西，过不了多久就会变成骗子的工具，到那时候再好的手艺也会被一起骂。如今开源的部分只管用那几副预置的嗓子把字念好；要做定制的声音，就得走到台面上去，跟 Gradium 打交道。这道门槛不高，却把最容易出事的那一块隔开了，商业上有它的算盘，伦理上也说得过去。
做小东西比做大东西难，这是老手艺人都明白的道理。大模型的毛病可以拿算力去填，参数不够就再加，数据不够就再喂；小模型没有这份阔气，每一个参数都得派上用场，每一处冗余都得削掉。31M 的嗓子要和 82M 的前辈比高低，靠的不是蛮力，是细活。这种细活不太上头条，也不容易讲成激动人心的故事，可真正用得久的东西，大多是这么磨出来的。
回到小模型本身。这几年大家都被一种思路驯化了，觉得好东西一定在云上，一定是越大越好，本地设备只配当个话筒和喇叭。Phonon 这类东西提醒人，有些活儿根本不必上云。把一段导航提示念出来，把一条消息读给开车的人听，给视障用户朗读网页，这些场景要的不是天下第一的嗓子，而是随叫随到、不掉线、不把内容交给别人。云端的好嗓子是请来的名角，本地的小嗓子是家里人，前者排场大，后者靠得住。
还有一层更朴素的好处。字不出门，就意味着你念的内容不经过别人的机房。一封私信、一份病历、一段还没发出去的稿子，交给本地的嗓子念，至少少了一道被人看见的门。这不是说云端一定不可靠，而是说，能不交出去的东西，本来就不该交出去。隐私这回事，从来不是靠承诺守住的，是靠少走一步路守住的。
我不想把话说满。31M 参数的嗓子，盲测胜出是厂商说的，它本身只会英语，五种语言之外整个家族暂时都帮不上忙，克隆这类花活儿也不在开源包里。它是一件趁手的家伙，不是包治百病的神器。可在一个人人都往大里卷的时候，有人愿意老老实实把一件东西做小、做快、做到能塞进浏览器标签页里，再把代码和权重摊开给人看，这份手艺本身就值得敬一杯。
至于要不要用，我的建议很朴素：别看发布会，看你自己的设备。拿一段你的产品里真正要念的文字，在你的用户最常用的那类机器上跑一遍，听听开头那一下有没有愣神，听听念长句时有没有喘不上气。别人组织的盲测，替不了你的用户的耳朵。
嗓子长在自己身上，才算是自己的嗓子，不是么？
来源：Gradium 官方博客（2026-10-21）；Hugging Face 模型卡 phonon-31m-en；GitHub 推理代码。64.5MB 为模型卡所列 31M 英文版 8 位量化权重大小，CTO 引语中的 90 MB 官方未说明口径；语言与许可证以模型卡为准（31M 英文版 Apache 2.0，40M 系列 CC BY-NC 4.0），官方博客写法较笼统；盲测、推理速度与首段出声时间均为 Gradium 自报，未见第三方复测；声音克隆与声音设计经 Gradium API 提供，官方未公布价格；克隆他人声音须获本人同意。