Gradium lanza un modelo de texto a voz de código abierto para dispositivos con licencia apache 2.0

Gradium, una empresa de inteligencia artificial de voz con sede en París, ha lanzado Phonon, un modelo de texto a voz (TTS) de código abierto bajo la licencia Apache 2.0. El modelo, disponible en versiones de 31M y 40M de parámetros, funciona localmente en los dispositivos sin necesidad de conectividad en la nube, GPU o facturación por carácter. Phonon utiliza una arquitectura de transformador causal y genera voz a 24 kHz PCM, con un tamaño de archivo de 64,5 MB para la variante de 31M. El modelo supera a los sistemas TTS existentes en términos de precisión y velocidad. En un conjunto de datos público de oraciones, Phonon 31M logró una precisión de WER (palabras erróneas por decibelio) del 1,70%, superando a Kokoro del 3,50% y NeuTTS Nano del 8,71%. En el conjunto de datos Seed-TTS, obtuvo un WER de 0,51%, en comparación con Kokoro del 0,45%. Phonon 31M también funciona 29,9 veces más rápido que en tiempo real en un procesador de MacBook Air M5 y 46,7 veces más rápido que en tiempo real con Apple Accelerate. Phonon de Gradium se basa en la investigación de Kyutai e integra herramientas como Transformers, MLX-Audio y Ollama. La empresa destaca su capacidad para funcionar en hardware diverso, incluidos Raspberry Pi 5 y Snapdragon 8 Elite Gen 5, con tiempos de inicio rápidos y un rendimiento eficiente.