A maioria das vozes de IA vive na nuvem: cada frase vai até um servidor e volta, o que custa dinheiro, aumenta o atraso e manda seu texto para outro lugar. O Phonon, da Gradium, segue o caminho oposto. Seus modelos de texto para fala são pequenos o bastante para rodar num celular, num notebook, num computador de placa única ou numa aba do navegador, sem rede nenhuma, e duas semanas após o lançamento a empresa contou como eles se saíram.
Há dois tamanhos, de cerca de 65 MB e 75 MB. O Phonon 31m fala inglês e sai sob licença Apache 2.0, então pode entrar de graça em produtos comerciais. O Phonon 40m acrescenta francês, alemão, espanhol e português sob a licença não comercial CC BY-NC; o uso comercial desse modelo é cobrado por número de usuários, e não pela quantidade de fala gerada. Há mais de 100 vozes prontas, vozes próprias podem ser clonadas ou criadas no Gradium Studio, e os modelos foram feitos para lidar com números de telefone, datas e códigos que derrubam muitos sistemas. A Gradium diz que o Phonon foi baixado mais de 200.000 vezes nas duas primeiras semanas.
O resultado no benchmark é a parte que vira notícia. No novo Open TTS Leaderboard da Hugging Face, que avalia modelos em 23 idiomas por inteligibilidade, velocidade e naturalidade, o Phonon fica em primeiro em inteligibilidade em alemão e espanhol e entre os três primeiros em todos os idiomas que a Gradium avaliou, ao lado de modelos até 100 vezes maiores. Ele também lidera o teste de streaming em CPU no tempo até o primeiro áudio, o atraso antes de a voz começar a falar. A Gradium criou o próprio framework de inferência, o ptts, com mais de 10 back ends para CPUs, GPUs e chips de celular, e o modelo está no Hugging Face Transformers a partir da versão 5.21.
Nossa análise do Gradium Phonon já apontava o modelo inglês de 31M como a voz minúscula para colocar num app hoje, menor que o Kokoro e preferida pelos ouvintes. Fala no próprio aparelho importa para apps que não podem mandar texto para a nuvem, como os de saúde, educação ou ferramentas offline, e para quem quer uma voz que continue funcionando sem sinal; entre as demonstrações há um Apple Watch guiando o preparo de um café com o Wi-Fi desligado.
Cabe cautela. As posições no ranking vêm do próprio texto da Gradium, e a inteligibilidade medida pela taxa de erro de palavras diz pouco sobre quão natural uma voz soa num trecho longo. A licença não comercial do modelo multilíngue vai descartá-lo para muitas empresas, a menos que paguem, e idiomas além dos cinco, como coreano, árabe e japonês, são oferecidos apenas como treinamento sob medida para parceiros.