Ein genauerer Blick auf Phonon TTS: Veröffentlichung von hochwertiger On-Device-Sprache, die Benchmarks anführt
huggingface ·
Gradium hat Phonon veröffentlicht, ein hochwertiges Text-to-Speech-Modell, das vollständig auf lokalen Geräten läuft und keine Internetverbindung oder Cloud-Server erfordert. Die Modelle sind in zwei kleinen Größen von jeweils etwa 65 MB und 75 MB verfügbar und unterstützen Englisch, Französisch, Deutsch, Spanisch und Portugiesisch mit über 100 integrierten Stimmen. Phonon nutzt Flow-Matching-Techniken aus der Pocket-TTS-Linie, um trotz seines kompakten Umfangs eine hervorragende Audioqualität zu erzielen. In den ersten zwei Wochen nach der Veröffentlichung erregte das Projekt große Aufmerksamkeit und verzeichnete über 200.000 Downloads sowie Trendplatzierungen auf Hugging Face. Auf dem Hugging Face Open TTS Leaderboard belegte Phonon den ersten Platz bei der Verständlichkeit für Deutsch und Spanisch und führte die CPU-Streaming-Benchmarks in Bezug auf die Geschwindigkeit an. Die Veröffentlichung umfasst eine unter der Apache-2.0-Lizenz stehende Version für kommerzielle Nutzung sowie nicht-kommerzielle Varianten, ergänzt durch einen neuen Inferenzrahmen namens ptts, der verschiedene Hardware-Backends wie CPUs, GPUs und NPUs unterstützt. Entwickler können Phonon in Anwendungen integrieren, entweder über die Transformers-Bibliothek oder eigene Implementierungen, wodurch Funktionen wie Voice-Cloning und Offline-Betrieb ermöglicht werden.
huggingface