La mayoría de las voces de IA viven en la nube: cada frase viaja a un servidor y vuelve, lo que cuesta dinero, añade retraso y manda tu texto a otra parte. Phonon, de Gradium, toma el camino contrario. Sus modelos de texto a voz son lo bastante pequeños para funcionar en un móvil, un portátil, un ordenador de placa única o una pestaña del navegador sin ninguna conexión, y dos semanas después del lanzamiento la empresa ha explicado cómo les ha ido.
Hay dos tamaños, de unos 65 MB y 75 MB. Phonon 31m habla inglés y se publica con licencia Apache 2.0, así que puede incorporarse gratis a productos comerciales. Phonon 40m añade francés, alemán, español y portugués con una licencia no comercial CC BY-NC; el uso comercial de ese modelo se cobra por número de usuarios y no por la cantidad de voz generada. Hay más de 100 voces incluidas, se pueden clonar o diseñar voces propias en Gradium Studio y los modelos están pensados para manejar números de teléfono, fechas y códigos que hacen tropezar a muchos sistemas. Gradium dice que Phonon se descargó más de 200.000 veces en sus dos primeras semanas.
El resultado en el benchmark es lo destacable. En el nuevo Open TTS Leaderboard de Hugging Face, que puntúa modelos en 23 idiomas por inteligibilidad, velocidad y naturalidad, Phonon queda primero en inteligibilidad en alemán y español y entre los tres primeros en todos los idiomas que evaluó Gradium, junto a modelos hasta 100 veces más grandes. También encabeza la prueba de streaming en CPU en tiempo hasta el primer audio, el retraso antes de que la voz empiece a hablar. Gradium creó su propio entorno de inferencia, ptts, con más de 10 back ends para CPU, GPU y chips de móvil, y el modelo está en Hugging Face Transformers desde la versión 5.21.
Nuestra reseña de Gradium Phonon ya consideraba el modelo inglés de 31M la voz diminuta que conviene incluir hoy en una app, más pequeña que Kokoro y preferida por los oyentes. La voz en el propio dispositivo importa para apps que no pueden enviar texto a la nube, como las de salud, educación o herramientas sin conexión, y para quien quiera una voz que siga funcionando sin cobertura; entre las demostraciones hay un Apple Watch que guía la preparación de un café con el wifi apagado.
Conviene cierta cautela. Las posiciones en el leaderboard proceden del propio texto de Gradium, y la inteligibilidad medida por tasa de error de palabras dice poco de lo natural que suena una voz en un pasaje largo. La licencia no comercial del modelo multilingüe lo descartará para muchas empresas salvo que paguen, y otros idiomas además de los cinco, como coreano, árabe o japonés, solo se ofrecen como entrenamiento a medida para socios.