Gradium publie en open source Phonon, un modèle de synthèse vocale de 31M de paramètres sur appareil, sous licence Apache 2.0
Gradium, société parisienne de voix par IA issue de Kyutai, a publié en open source Phonon, une famille de petits modèles de synthèse vocale conçus pour tourner directement sur l'appareil. Deux tailles existent : Phonon 31m, limité à l'anglais, compte 31 millions de paramètres (hors tokeniseur audio), tient dans un fichier GGUF q8 de 64,5 Mo et est distribué sous licence Apache 2.0, avec 37 voix intégrées. Phonon 40m, à 40 millions de paramètres et 74,6 Mo, est décliné en un modèle par langue (anglais, français, allemand, espagnol, portugais), et une version multilingue réunit les cinq langues avec 102 voix. Ces deux derniers sont publiés sous licence CC BY-NC 4.0, donc non commerciale. La sortie est en 24 kHz mono. Selon Gradium, Phonon 31m obtient le meilleur Elo anglais parmi les modèles ouverts testés et un taux d'erreur de mots de 1,70 % sur un jeu difficile de 500 phrases, contre 3,50 % pour Kokoro. Il est en revanche moins bon sur le test Seed-TTS, avec 0,51 % contre 0,45 % pour Kokoro et 0,46 % pour Magpie. Le premier son arrive en environ 7 ms sur CPU (6,9 ms sur un MacBook Air M5), et le modèle tourne à 3,7 fois le temps réel sur un Raspberry Pi 5.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de MarkTechPost. Lire l'article original →
L'intérêt tient à l'absence de dépendances : pas d'appel au cloud, pas de GPU, pas de facturation au caractère. Le modèle fonctionne sur processeurs, téléphones, cartes comme le Raspberry Pi 5, navigateurs (WASM, WebGPU) et GPU NVIDIA. Les développeurs d'assistants vocaux, d'objets connectés, d'applications mobiles ou d'outils d'accessibilité peuvent ainsi intégrer une voix naturelle avec une latence minimale, sans envoyer de texte à un serveur tiers, ce qui aide aussi pour la confidentialité et le fonctionnement hors ligne. La licence Apache 2.0 de la version anglaise autorise l'usage commercial, alors que les variantes multilingues restent réservées à des usages non commerciaux, une limite à connaître pour les projets en français ou dans d'autres langues. Il faut aussi noter que les chiffres comparatifs viennent des évaluations de Gradium et de ses partenaires de lancement.
Sur le plan technique, Phonon repose sur un transformeur causal dont le préfixe combine texte et empreinte de locuteur. Un tokeniseur SentencePiece de 4 000 entrées lit le texte brut, sans conversion en phonèmes. Le modèle produit un vecteur latent par trame de 80 ms, qu'une tête de flow matching transforme en une seule étape en embedding audio, ensuite décodé par une variante allégée du décodeur Mimi de Kyutai. Une tête distincte décide de la fin de la parole. Phonon 31m utilise 6 couches de largeur 512 avec 8 têtes d'attention, contre 9 couches pour Phonon 40m. Tous deux sont distillés à partir d'un modèle enseignant plus grand, entraîné sur un cluster de GPU NVIDIA H100. Ces travaux prolongent les recherches de Kyutai sur les Continuous Audio Language Models et le projet Pocket TTS, et s'inscrivent dans la course aux modèles vocaux compacts face à des alternatives ouvertes comme Kokoro ou Magpie.
Une société parisienne issue de Kyutai publie un modèle vocal embarqué en open source, utilisable sans cloud et donc favorable à la confidentialité des données, avec des voix françaises sous licence non commerciale.