Phonon 是 Gradium 开源的小型 TTS 模型，专门跑在端侧设备上，不需要服务器和网络。官方在发布两周后复盘了这次开放：为什么做、能力边界、演示、以及 Hugging Face 排行榜上的表现。模型基于 Pocket TTS 血统，使用 flow matching 生成音频，与常见 TTS 系统的建模方式不同。作者承认，训练初期数值不稳定，需要一些特殊技巧才能在全部五种语言上得到合格结果。

Phonon 提供两个尺寸，约 65 MB 和 75 MB，覆盖英语、法语、德语、西班牙语和葡萄牙语。内置超过 100 种声音，并可通过 Gradium Studio 创建自定义声音。其中 Phonon 31m 采用 Apache 2.0 许可，可免费用于商业产品；其他模型为 CC BY-NC，非商业项目免费，商业授权按用户数计费而非按生成的语音量。它能正确处理电话号码、日期、代码等大多数 TTS 系统容易出错的输入。模型可运行在手机、笔记本、单板电脑和浏览器标签页中。发布时附带了多个演示：Apple Watch 在 Wi-Fi 关闭时逐步讲解咖啡冲泡；iPhone 无信号时计数健身次数；机器人 Lamp 以角色口吻说话；离线恐龙跑酷变成电台节目等。Hugging Face 团队从第一天起就做了 Transformers 集成。社区也出现了 ExecuTorch 转换、Node.js 绑定等项目。Phonon 发布两周内下载超过 200,000 次。

在 Hugging Face 的 Open TTS Leaderboard 上，Phonon 在可懂度（输出词错误率）方面德语和西班牙语排名第一，在评估的所有语言中均进入前三，而对比的模型有比它大 100 倍的。速度方面，它在 CPU 流式基准的首次音频输出时间（time-to-first audio）上登顶。

推理方面，Gradium 为 Phonon 构建了新的推理框架 ptts，支持超过 10 种后端：CPU（Intel、Arm、WebAssembly）、GPU（CUDA、Vulkan、Metal、WebGPU）、NPU（Apple Core ML、Snapdragon）。Phonon 也作为参考 PyTorch 实现集成进 Transformers（v5.21 起）。ptts 面向端侧单流，Transformers 则面向 GPU 吞吐，支持批处理、torch.compile。代码示例展示，加载模型后打印参数为 30,788,354，音频 tokenizer 的参数为 10,305,313。

在 Transformers 中，Phonon 以自回归方式生成音频 latent，每个 latent 作为下一步输入。音频 tokenizer 把音频映射为 latent，扮演文本模型中 tokenizer 的角色。声音不是录音，而是 speaker latents 的张量，通过 chat template 把语音位置、文本和音频起始 token 组合起来，使用方式与其他多模态模型一致。

未来方向：Phonon 可以克隆任意声音（从短录音，需说话者同意），或在 Gradium Studio 中用文字描述新声音。官方也提供定制服务，包括更小的模型、增加韩语/阿拉伯语/日语、以及针对产品词汇微调。