Gradium Phonon: la voce sintetica da 31M parametri gira in locale
Sulla pagina di Phonon si scrive una frase e la voce viene generata dentro la scheda del browser, senza server: è la dimostrazione con cui Gradium presenta il suo nuovo sistema di sintesi vocale (TTS, text-to-speech). Il 21 ottobre 2026, al NVIDIA GTC, l’azienda di voice AI fondata dai cofondatori del laboratorio Kyutai ha rilasciato Phonon, come racconta il comunicato di Gradium. Per chi sviluppa in Italia: si può far parlare un’app senza cloud, ma l’italiano non è tra le lingue supportate e solo un modello su tre ha una licenza Apache 2.0.
Cosa sa fare Phonon sul dispositivo
Secondo il blog di Gradium, Phonon è una famiglia di modelli da 31 e 40 milioni di parametri (le variabili apprese in addestramento, che ne determinano le dimensioni). Il testo resta sul dispositivo e l’uso è illimitato senza costi aggiuntivi. Una volta scaricati modello e voce, spiega la pagina di Phonon, non serve alcuna connessione.
- Più di 100 voci integrate, oppure voci clonate o progettate con Gradium.
- Lettura di numeri, date e codici, in cinque lingue.
- Esecuzione su telefoni, portatili, schede singole e browser.
Phonon 31m parla inglese. Phonon 40m esiste in varianti per singola lingua e in un unico modello multilingue per inglese, francese, tedesco, spagnolo e portoghese, con gli stessi pesi. Altre lingue sono nella roadmap; la pagina aggiunge che Gradium realizza modelli personalizzati su richiesta.
Velocità e hardware: i dati dichiarati
Phonon 31m comincia a parlare in 7 ms su una CPU di portatile, afferma il blog. Il comunicato riporta un confronto sul backend CUDA: su una GPU NVIDIA L40S il primo audio arriva in 5 ms, contro i 43 ms di una CPU AMD EPYC 7413, e Gradium parla di un’inferenza otto volte più rapida della CPU. Su iPhone 16 Pro, tramite il pacchetto Swift che sfrutta il Neural Engine di Apple, la pagina indica una velocità fino a 22 volte il tempo reale.
Il codice di inferenza è scritto da Gradium e, a suo dire, è più veloce di Kokoro e dei runtime basati su llama.cpp sullo stesso hardware. Il backend CUDA funziona anche sulle schede NVIDIA Jetson. Le integrazioni sono per Rust, Python, Swift e browser, via WebAssembly.
Le piattaforme elencate dalla pagina:
- CPU x86-64 e ARM, Apple Silicon compreso, Android e Raspberry Pi 5, senza bisogno di scheda grafica.
- GPU tramite CUDA, Metal, Vulkan o WebGPU.
- NPU di Apple, tramite Core ML, e di Qualcomm Snapdragon.
- Browser Chrome e Safari, su desktop e mobile.
Tre modelli, tre dimensioni, due licenze
Per chi lo usa in un prodotto conta la licenza. Il modello inglese da 31 milioni di parametri è Apache 2.0; i due da 40 milioni sono CC BY-NC e, per l’uso commerciale, Gradium chiede di contattare le vendite. Il comunicato indica per Phonon 31m 64,5 MB; la scheda tecnica riporta 64 MB.
| Modello | Lingue | Dimensione | Licenza |
|---|---|---|---|
| Phonon 31m | Inglese | 64 MB | Apache 2.0 |
| Phonon 40m | Inglese, francese, tedesco, spagnolo, portoghese, un modello per lingua | 74,6 MB | CC BY-NC |
| Phonon 40m multilingual | Le stesse cinque lingue in un solo modello | 74,6 MB | CC BY-NC |
I numeri dichiarati da Gradium
Sono misure di Gradium, non verifiche indipendenti. La prima è un test su 500 frasi «che altri modelli sbagliano», con numeri di telefono, indirizzi email e codici postali. Si misura il WER (word error rate, il tasso di errore sulle parole).
- Phonon 31m inglese: 1,70%.
- Phonon 40m multilingual: 2,11%.
- Phonon 40m: 2,22%.
- Kokoro: 3,50%; Kitten TTS: 7,40%; NeuTTS Nano: 8,71%.
Il comunicato aggiunge che Phonon 31m ha 31 milioni di parametri contro gli 82 di Kokoro, il TTS on-device aperto più usato secondo Gradium. Nei test d’ascolto alla cieca condotti dall’azienda, Phonon vince per preferenza complessiva su Kokoro, Magpie e Pocket TTS.
Voci, clonazione e demo di terzi
Tra le voci del catalogo ci sono Harper, Sterling, Freya e Toby; il controllo indicato è la velocità del parlato. Clonazione e progettazione vocale si fanno in Gradium Studio o con l’API di Gradium: la voce si clona da una breve registrazione, con il consenso di chi parla, oppure si descrive a parole. Il file scaricato gira poi in locale come le altre voci.
Tra le demo di terzi la pagina cita un bot vocale Pipecat su Modal, con Phonon su un container solo CPU, l’app per iPhone Little Voices, che usa Phonon 31m senza rete, e un’estensione Chrome che legge ad alta voce il testo delle pagine.
Come provarlo
Il codice di inferenza è su GitHub (gradium-ai/xn-ptts), sotto Apache 2.0. Per i pesi il comunicato indica Hugging Face, all’indirizzo huggingface.co/gradium/phonon-31m-en. Tra i partner di lancio Gradium cita Hugging Face, Arm, Qualcomm, Appning by FORVIA, LM Studio, Ollama e MLX Audio.
- La demo nel browser è sulla pagina gradium.ai/phonon.
- La CLI in Rust si installa dalla radice del repository con
cargo install --path ptts --locked --features cli. - La variabile
MODEL_DIRdeve puntare alla cartella conconfig.json,model.q8.gguf,tokenizer.jsone le voci. - L’esempio della pagina usa
--lang en --quant q8 --voice Freyae produce un fileout.wav.
La pagina propone anche prompt da incollare in un agente di coding, perché legga il README, compili Phonon e lo faccia parlare.
