Talmodellen Phonon ryms på 65 MB och läser upp text utan nät
Gradiums modell för talsyntes hamnade bland de tre bästa i varje språk bolaget testade på Hugging Faces topplista och laddades ner över 200 000 gånger på två veckor.
På en Apple Watch med wifi avstängt läser Phonon upp hur du brygger kaffe, steg för steg. Hela talet skapas på klockan. Det är en av demonstrationerna av Gradiums lilla modell för talsyntes, alltså programvara som gör text till tal.

Phonon körs på telefoner, datorer, enkortsdatorer och i en flik i webbläsaren. Den behöver varken server eller nätverk, och texten du skriver stannar på enheten. Gradium har släppt modellvikterna öppet, vilket betyder att vem som helst kan ladda ner och köra modellen.
Två storlekar
- Phonon 31m talar engelska och är 64,5 MB. Licensen Apache 2.0 gör att du får använda den gratis, även i en kommersiell produkt.
- Phonon 40m är 74,6 MB och finns för engelska, franska, tyska, spanska och portugisiska, antingen en modell per språk eller en modell för alla fem. Licensen CC BY-NC tillåter bara icke-kommersiellt bruk. För kommersiella produkter tar Gradium betalt efter antal användare, inte efter hur mycket tal som skapas.
Det finns över 100 inbyggda röster. I Gradium Studio kan du klona en röst från en kort inspelning, med personens samtycke, eller beskriva en ny röst med text. Modellerna läser också telefonnummer, datum och koder, enligt Gradium.
Så gick det i topplistan
Hugging Faces Open TTS Leaderboard jämför öppna talmodeller på 23 språk.
Enligt Gradium rankas Phonon först i tyska och spanska när det gäller begriplighet, och bland de tre bästa i alla språk bolaget utvärderade, bredvid modeller som är upp till 100 gånger större. I topplistans CPU-test av hur länge du väntar på första ljudet ligger Phonon 31m först med 28 millisekunder och Phonon 40m tvåa med 38 millisekunder, enligt Gradiums diagram. Kyutais Pocket TTS, som Phonon bygger på, tar 165 millisekunder.
Hugging Face skriver själva att topplistans mått inte ersätter tester där människor lyssnar och väljer.