開放權重文字轉語音模型 Phonon 兩款（31m、40m）完全喺你自己裝置上運行，唔要伺服器、唔要網絡。31m 英文版係 Apache 2.0，40m 五語言版係 CC BY-NC。
本地跑嘅語音模型，頭兩週下載咗二十萬次
兩週前，Phonon 喺 Hugging Face 開放咗權重。頭兩週入面，佢被下載咗超過 200,000 次，而家仍然排喺平台嘅 trending 之上。呢個數字夠大，但真正值得留意嘅係佢嘅設計：一個大約 65 MB 至 75 MB 嘅文字轉語音模型（text-to-speech，將文字轉成語音），完全喺你部裝置運行，唔需要伺服器，唔需要網絡。
你打嘅字，就留喺你部機。
呢個喺語音 AI 領域係一個唔同嘅取向。大多數語音模型都住喺雲端：每一句都要去一返伺服器先至變返嚟。Phonon 嘅選擇係將個模型塞進裝置入面。廠商話，呢個係佢哋做咗好耐嘅事情，因為將好聽嘅聲音同細嘅模型放喺一齊，一直係項兩難嘅技術難題。
授權：邊個可以自由用，邊個唔得
Phonon 有兩個版本，授權唔同，要分清楚：
- Phonon 31m：英文，Apache 2.0。你可以免費用，包括喺商業產品入面。
- Phonon 40m：五種語言（英文、法文、德文、西班牙文、葡萄牙文），CC BY-NC（Creative Commons，非商業用途授權）。免費，但只限非商業項目；要商用嘅話，收費按用户數量計，唔係按生成咗幾多語音。
授權呢個位要細心睇：Apache 2.0 同 CC BY-NC 唔係同一層嘅自由。
技術面：佢點樣做嘅
Phonon 建立喺 Pocket TTS 譜系之上，用 flow matching（流動匹配）生成音訊，呢個同其他 TTS 系統用嘅建模技術唔同。廠商話，呢個就係點樣將呢個級別嘅質素塞進咁細嘅模型入面。但佢哋都承認，訓練初期有數值不穩定嘅問題，需要幾招先至喺五種語言都得出好嘅結果。
資料圖片：Pixabay
呢個位值得留意：數值不穩定嘅問題，喺多語言訓練入面係一個真實嘅工程挑戰，唔係賣吹。
邊度可以跑，有幾多人聲
Phonon 可以喺手機、筆記型電腦、單板電腦同瀏覽器標籤頁運行，即開即得。超過 100 個內置人聲，喺 Gradium Studio 可以自己造。廠商指佢可以處理 TTS 系統經常搞錯嘅嘢，例如電話號碼、日期同代碼。
生態同開發者
Phonon 隨附咗幾個 demo：Apple Watch 關咗 Wi-Fi 教你沖咖啡、冇訊號嘅 iPhone 數你 reps、一個叫 Lamp 嘅機械人同瀏覽器入面嘅離線恐龍跑者變廣播節目。
開發者方面，Hugging Face 團隊建咗 Transformers 整合，開發者即日即可以用。已有第三方：ExecuTorch 轉換喺瀏覽器 GPU 跑、Micdrop 帶落 Node.js、Spaces 上有 smallest-s2s 等項目建喺上面。
模姐驗嚇貨
呢個模型嘅核心賣點——本地、離線、數據唔出境——喺私隱意識抬頭嘅環境下面，係一個真實嘅需求。但「trending」同「下載量大」唔係獨立驗證；廠商自述嘅性能，同 Open TTS Leaderboard 上面嘅位置，係兩回事，要分開睇。
Phonon 實際語音質素、反應速度同唔同裝置上面嘅表現，等我哋試完先講。
模姐｜深度調教
