Nyhet
Gradium lanserar Phonon – talsyntes som körs direkt på din egen enhet
Gradium har lanserat Phonon, en liten text-till-tal-modell som körs på användarens egen enhet utan server eller nätverk. Modellen öppnades för två veckor sedan och har enligt bolaget laddats ner mer än 200 000 gånger. Den 5 november 2026 summerade bolaget lanseringen i ett blogginlägg på Hugging Face.
Det viktigaste i korthet
• Phonon finns i två storlekar, ungefär 65 MB och 75 MB, och körs lokalt utan server och nätverk.
• Modellerna talar engelska, franska, tyska, spanska och portugisiska och har över 100 inbyggda röster.
• Phonon 31m (engelska) har licensen Apache 2.0 och får användas gratis, även kommersiellt. Phonon 40m (alla fem språken) är CC BY-NC, alltså gratis för icke-kommersiella projekt.
• Enligt Gradium rankas Phonon etta på begriplighet i tyska och spanska och bland de tre bästa i alla utvärderade språk på Hugging Faces Open TTS Leaderboard.
• Phonon laddades enligt Gradium ner över 200 000 gånger under de första två veckorna.
• Modellen finns i Transformers från version 5.21 samt i det nya inferensramverket ptts.
Vad har hänt
Gradium öppnade Phonon för två veckor sedan och har nu publicerat en genomgång av lanseringen. Bolaget presenterade modellen redan i april och har sedan dess arbetat med partner och tidiga användare. Enligt Gradium ledde det till mindre modeller, fler språk samt stöd för egna röster, antingen genom röstkloning eller genom att beskriva en ny röst i text i verktyget Gradium Studio. Kloning ska ske med den berörda personens samtycke.
Poängen med Phonon är att rösten stannar på enheten: texten lämnar inte enheten och rösten fungerar utan uppkoppling. Gradium beskriver att det länge varit svårt att få en bra röst att rymmas på en liten enhet, eftersom små modeller ofta låter sämre. Phonon bygger på Pocket TTS-linjen och använder flow matching för att generera ljudet, en teknik som skiljer sig från den som används i många andra talsyntessystem. Träningen var till en början numeriskt instabil och krävde flera knep för att ge bra resultat på alla fem språk.
Gradium uppger att Phonon hanterar sådant som ofta går snett i talsyntes, till exempel telefonnummer, datum och koder. Modellen körs på mobiler, bärbara datorer, enkortsdatorer och i en webbläsarflik. Bland demonstrationerna finns en Apple Watch som guidar genom kaffebryggning utan Wi-Fi, en iPhone utan täckning som räknar träningsrepetitioner och roboten Lamp från Autonomous som pratar i rollen. Hugging Face byggde integrationen i Transformers så att utvecklare kunde använda Phonon från start. Utvecklare har också gjort en ExecuTorch-konvertering som körs på besökarens GPU i webbläsaren, en Node.js-koppling kallad Micdrop och Spaces som smallest-s2s.
På Hugging Faces nya Open TTS Leaderboard jämförs modeller på 23 språk i begriplighet, hastighet och naturlighet. Enligt Gradium är Phonon bäst på begriplighet i tyska och spanska och bland de tre bästa i varje språk bolaget utvärderat, bredvid modeller som är upp till 100 gånger större. Modellerna toppar dessutom, enligt bolaget, benchmarken för CPU-strömning när det gäller tid till första ljud.
För körning har Gradium byggt ramverket ptts, som stöder fler än 10 backends, bland annat CPU (Intel, Arm, WebAssembly), GPU (CUDA, Vulkan, Metal, WebGPU) och NPU (Apple Core ML, Snapdragon). I Transformers fungerar Phonon som referensimplementation i PyTorch och riktar sig mot GPU-genomströmning, till exempel batchad generering för stora talmaterial. Gradium tränar även skräddarsydda modeller med designpartner, till exempel mindre modeller eller fler språk som koreanska, arabiska och japanska.
Vad det betyder för dig i Sverige
Källan tar inte upp Sverige eller svenska. Svenska finns inte bland de fem språk som Phonon stöder i dag. Svenska utvecklare kan däremot använda den engelska modellen Phonon 31m fritt, även i kommersiella produkter, enligt Apache 2.0. De som vill bygga kommersiellt med de andra modellerna får enligt Gradium en prissättning baserad på antalet användare, inte på hur mycket tal som genereras. Företag och privatpersoner kan prova modellen i webbläsaren och hämta den via Hugging Face.
Det här vet vi inte än
Källan anger inga konkreta priser för kommersiell användning av de modeller som har CC BY-NC-licens. Den säger inget om stöd för svenska och inte heller om Gradium planerar det. Prestandauppgifterna kommer från Gradium själv, och exakta placeringar per språk och mätvärden redovisas inte i texten. Det framgår inte heller vilka enheter som ger vilken hastighet eller hur ljudkvaliteten upplevs i vardagen.