Gradium 推出端侧 TTS 模型 phonon-31m-en：64.5 MB，浏览器本地就能跑

phonon-31m-en 是一个专门跑在端侧的超轻量英文语音合成模型，核心卖点就是小而且快。

它的 8 位量化文件只有 64.5 MB，参数量仅 31M。你不需要任何独立显卡，在普通笔记本 CPU、手机甚至是网页浏览器的单个标签页里，它都能直接本地跑起来，完全不需要连网。

它能做什么

phonon-31m-en 能够把输入的英文文本实时转成 24 kHz 的自然语音，并且支持流式输出。也就是说，模型一边在本地生成后面的音频块，扬声器就已经在同步播放前面的声音了，基本感受不到等待延迟。

这个模型适合集成在各类需要离线运行或注重隐私的场景里。比如无网环境下的本地语音助手、网页朗读插件、无障碍屏幕阅读器、NPC 语音对白的独立游戏，或者跑在本地智能家居平台 Home Assistant 里。

在音色方面，官方在开源仓库里配套提供了大约 100 种预设声音，涵盖不同的语调和发音习惯，开发者可以直接按需调用。

怎么做到的与实际表现

能在几十兆的体积里塞进不错的声音质感，主要归功于它的技术组合。Gradium 团队基于 Pocket TTS 框架以及 Kyutai 开发的 Mimi 音频编解码器打造了它。

具体来说，它内部由一个 Flow-matching Transformer 构成，负责根据文本逐帧预测 80 毫秒的音频潜空间表示，再交由 Mimi 解码器实时还原成音频波形。由于结构精简，整个推理过程对算力消耗极低。

在人类双盲听测中，468 位评分者投出 8290 票后，phonon-31m-en 的 Elo 评分达到 2098 分，高于同类开源模型 Kokoro 的 2043 分。

在包含大量数字、日期、单位和代码的复杂长句测试（Hard set LLM WER）中，它的词错误率只有 1.5%，同样优于 Kokoro 的 3.5%、NeuTTS 的 8.7% 以及 Magpie 的 28%。而在通用的 Seed-TTS 评测集上，它的错误率也低至 0.51%。

不过它也有明确的短板。首先它目前只支持纯英文，读其他语言会出现严重发音错误。其次，处理超长文本时模型会自动按句子切片朗读，句子之间的语调连贯性会稍微有点脱节。

在开源协议上，phonon-31m-en 的权重和分词器采用 Apache 2.0 协议发布，完全允许商用。配套运行库 ptts 也在 GitHub 以 MIT 或 Apache 2.0 双协议开源，提供了 Python、Rust、C++ 以及浏览器端 npm 包等多种集成方式。

为什么重要

对开发者和独立创作者来说，phonon-31m-en 最大的价值是彻底压低了语音合成的部署门槛。过去要在本地做个能听的语音交互，要么得忍受数百兆甚至数吉字节的模型，要么得接云端商业 API 算 token 账单。现在直接用几十兆的静态资源就能塞进前端网页或移动 App，离线即用，还不产生云端服务器成本。

我们认为 Gradium 这一步走得很讨巧。他们没有卷大参数大底模，而是把精力放在了极低资源消耗的端侧落地，用现成的成熟编解码方案把体验做扎实。虽然在长文本情感表现上它还比不过云端大模型，但对于注重响应速度、隐私和零成本调用的端侧产品而言，它绝对是目前最值得优先尝试的轻量工具之一。