🚀 Phonon TTS: 31M-модель офлайн обогнала облачные TTS Gradium открыла веса Phonon — text-to-speech модели, которая работает на устройстве без сети и сервера. Базовая версия Phonon 31m весит около 65 МБ, говорит по-английски и лицензирована Apache 2.0; 40m покрывает пять языков (английский, французский, немецкий, испанский, португальский) под некоммерческой CC BY-NC. За первые две недели модель скачали более 200 000 раз, и она остаётся в трендах Hugging Face. На новом Open TTS Leaderboard, по данным Hugging Face, Phonon заняла первое место по разборчивости (word error rate) в немецком и испанском, вошла в топ-3 по всем оцененным языкам — рядом с моделями до 100 раз больше по размеру. Скорость ещё заметнее: модель возглавила CPU streaming benchmark по времени до первого аудио. Ключевое отличие — flow matching вместо авторегрессионных подходов, распространённых в TTS; обучение было численно нестабильным, потребовались специальные трюки для пяти языков. Инференс-фреймворк ptts поддерживает более 10 бэкендов: CPU (Intel, Arm, WebAssembly), GPU (CUDA, Vulkan, Metal, WebGPU) и NPU (Apple Core ML, Snapdragon). Для разработчиков есть интеграция в Transformers с версии 5.21 как эталонная PyTorch-реализация: модель генерирует аудио-латенты авторегрессионно, а голос — это тензор спикерских латентов, а не запись. ptts нацелен на один поток на устройстве, Transformers — на батчированную генерацию для синтеза датасетов. Доступно клонирование голоса из короткой записи с согласием носителя или текстовое описание нового голоса в Gradium Studio. Цена коммерческого использования 40m зависит от числа пользователей, а не от объёма синтеза. Ограничения: 40m некоммерческая для пяти языков, а для корейского, арабского или японского нужны кастомные модели через партнёров по разработке — это не открытые веса. Лидерборд Hugging Face ещё молодой, метрики естественности UTMOS и KOMOS покрывают только английский и корейский. Независимые проекты уже используют ExecuTorch-конверсию для браузерного GPU и Node.js. Война за on-device TTS теперь идёт не в качестве, а в лицензиях и бэкендах: Apache 2.0 для 31m открывает коммерческий инференс без облака, но пять языков под CC BY-NC заставляют выбирать между свободой и покрытием. Кто первым выпустит многоязычную модель под Apache, заберёт нишу, которую Phonon только нащупала. #PhononTTS #ondeviceTTS #flowmatching #Apache2 #HuggingFace