本地模型運行平台 Ollama 喺 2026 年 10 月 24 日宣佈，平台可以將文字轉成語音（text-to-speech，TTS）。首個語音模型係 Gradium 開發嘅 Phonon，一組小型、最新嘅文字轉語音模型。語音模型現已喺 macOS 上線，Windows 同 Linux 支援「即將推出」。
邊生成、邊播
呢個功能嘅亮點係流式輸出：文字喺生成嘅同時即刻播放，長回應唔使等全部生成完先至聽到聲。用户可以將對話模型嘅回覆直接 pipe 入 Phonon，例如：
ollama run gemma4 "Tell me a fun fact about owls in two sentences." | ollama run phonon
文字邊到邊讀，第一句一出聲，播放就開始。都可以唔帶文字，喺 prompt 逐行輸入，或者將輸出重定向儲存為 WAV 檔案。
效能同準確度
喺 Apple Silicon（蘋果晶片）上，Ollama 由 MLX（蘋果嘅機器學習框架）提供加速，帶來高吞吐量。喺配備 M5 Max 嘅 MacBook Pro 上，Ollama 比次快嘅引擎——Gradium 自家 runtime——快 35%。準確度方面，Ollama 嘅實測 word error rate（WER，字錯率）同 Hugging Face Transformers 嘅參考實現（reference implementation）一致。
聲線由 Gradium 嘅 voice catalog 提供，用 ollama show phonon 可以列出全部聲線，以 --voice 參數或者 API 嘅 voice 欄位挑選。
授權同 API
Phonon 以 Apache 2.0 授權發布；40M 參數嘅模型則採用 CC BY-NC 4.0，限非商業使用。
技術上，Phonon 支援 OpenAI 相容嘅 /v1/audio/speech endpoint，所以用 OpenAI SDK 寫緊嘅程式，只須改一個 base URL。輸出為 24 kHz mono WAV，或設 response_format 為 pcm 即得原始 16-bit 樣本。
模姐驗嚇貨
呢次更新嘅重點唔單止係「加咗個 TTS」，而係本地 AI 生態開始整合多模態。Ollama 一直主打本地運行、免雲端依賴，加上語音模型後，本地語音對話嘅技術鏈路漸趨完整。但要留意：呢度嘅「快過 Gradium runtime 35%」係廠商自評數據，獨立第三方測試尚未見。另外，Windows/Linux 嘅推出時間表未明確，而 40M 模型嘅 CC BY-NC 授權限制亦值得留意——如果你想用嚟做商用內容，呢個條款要睇清楚。
模姐｜深度調教
