Gradium lança modelo de tts de código aberto para uso local com licença apache 2.0

A Gradium, uma empresa de IA de voz sediada em Paris, lançou o Phonon, um modelo de texto para fala (TTS) de código aberto, sob a licença Apache 2.0. O modelo, disponível nas versões de 31M e 40M de parâmetros, funciona localmente nos dispositivos sem exigir conectividade na nuvem, GPUs ou cobrança por caractere. O Phonon utiliza uma arquitetura de transformador causal e gera fala em 24 kHz PCM, com um tamanho de arquivo de 64,5 MB para a versão de 31M. O modelo supera os sistemas de TTS existentes em termos de precisão e velocidade. No conjunto de dados público de frases, o Phonon de 31M alcançou uma precisão de 1,70% de WER (Word Error Rate), superando os 3,50% do Kokoro e os 8,71% do NeuTTS Nano. No conjunto de dados Seed-TTS, obteve 0,51% de WER, em comparação com os 0,45% do Kokoro. O Phonon de 31M também funciona 29,9 vezes mais rápido que em tempo real em um processador MacBook Air M5 e 46,7 vezes mais rápido com Apple Accelerate. A Phonon da Gradium é construída com base na pesquisa da Kyutai e integra-se com ferramentas como Transformers, MLX-Audio e Ollama. A empresa destaca sua capacidade de funcionar em hardware diverso, incluindo Raspberry Pi 5 e Snapdragon 8 Elite Gen 5, com tempos de inicialização rápidos e desempenho eficiente.