Introducción
Gradium ha presentado los avances de Phonon, su modelo compacto de conversión de texto a voz (TTS) diseñado para funcionar directamente en el dispositivo del usuario, sin necesidad de servidores ni conexión a internet. Según el blog oficial de Hugging Face del 5 de noviembre de 2026, el sistema combina modelos pequeños, generación rápida de audio y soporte para múltiples idiomas.
Phonon se anunció en abril y ha evolucionado durante seis meses de trabajo con socios y primeros usuarios. Durante ese período, sus modelos se hicieron más pequeños, se incorporaron nuevos idiomas y se añadió la posibilidad de crear voces personalizadas mediante clonación y diseño de voz.
El sistema ya supera las 200.000 descargas en sus primeras dos semanas y presenta resultados destacados en las evaluaciones de inteligibilidad y velocidad de generación de audio.
Dos modelos compactos con diferentes licencias
Phonon está disponible en dos tamaños, de aproximadamente 65 MB y 75 MB, y ofrece capacidades de síntesis de voz en inglés, francés, alemán, español y portugués.
La familia incluye dos variantes con diferentes condiciones de uso:
- Phonon 31m: modelo para inglés distribuido bajo licencia Apache 2.0, que permite utilizarlo gratuitamente incluso en productos comerciales.
- Phonon 40m: modelo compatible con los cinco idiomas, distribuido bajo licencia no comercial CC BY-NC.
El sistema dispone de más de 100 voces integradas y permite crear voces propias mediante Gradium Studio, utilizando herramientas de clonación y diseño de voz.
Una característica de Phonon es su tratamiento de elementos que suelen representar dificultades para otros sistemas de texto a voz, como números de teléfono, fechas y códigos.
Además, el procesamiento se realiza localmente, de manera que el texto permanece en el dispositivo del usuario.
Resultados en inteligibilidad y velocidad
Phonon ocupa posiciones destacadas en el Open TTS Leaderboard de Hugging Face. En las evaluaciones de inteligibilidad, alcanza el primer puesto en alemán y español y se sitúa entre los tres primeros modelos en todos los idiomas evaluados.
Estos resultados lo colocan junto a sistemas que pueden ser hasta 100 veces más grandes.
En velocidad, sus dos variantes lideran el benchmark de streaming en CPU según el tiempo transcurrido hasta la generación del primer audio.
| Evaluación | Modelo o idioma | Resultado |
|---|---|---|
| Inteligibilidad | Alemán | 1.er puesto |
| Inteligibilidad | Español | 1.er puesto |
| Inteligibilidad | Todos los idiomas evaluados | Entre los 3 primeros |
| Tiempo hasta el primer audio en CPU | Phonon 31m (inglés) | 28 ms |
| Tiempo hasta el primer audio en CPU | Phonon 40m (inglés) | 38 ms |
| Tiempo hasta el primer audio en CPU | Pocket TTS | 165 ms |
Las cifras muestran que Phonon 31m alcanza un tiempo de 28 milisegundos hasta el primer audio en inglés, mientras que Phonon 40m registra 38 milisegundos en el mismo idioma. Ambos resultados superan en este indicador a Pocket TTS, cuyo tiempo es de 165 milisegundos.
Voz generada directamente en teléfonos, relojes y navegadores
La ejecución local es uno de los elementos centrales de Phonon. Su tamaño permite utilizarlo en teléfonos, portátiles, ordenadores de placa única e incluso dentro de una pestaña del navegador.
Las demostraciones presentadas durante su lanzamiento ilustran diferentes aplicaciones:
- Apple Watch sin Wi-Fi: un asistente de voz guía paso a paso la preparación de un café.
- iPhone sin señal: una aplicación utiliza voz para contar repeticiones durante el ejercicio.
- Robot Lamp: el robot de Autonomous incorpora una voz con personalidad propia.
- Navegador sin conexión: el conocido juego del dinosaurio offline se transforma en un programa de radio.
- Videojuego de ciencia ficción: los diálogos se generan mediante voz en la propia máquina del jugador.
- Lectura de Proust: una demostración reproduce el texto en voz alta página a página.
Estos ejemplos muestran aplicaciones de síntesis de voz que funcionan directamente en el hardware disponible, desde dispositivos portátiles hasta navegadores y videojuegos.
Cómo funciona Phonon y qué tecnologías utiliza
Phonon procede del linaje de Pocket TTS y utiliza flow matching para generar audio.
En su arquitectura, una voz no se representa como una grabación convencional, sino como un tensor de latentes. Las voces precalculadas están disponibles en el repositorio gradium/phonon-voices.
El modelo también está integrado en la biblioteca Transformers desde la versión 5.21.
Junto con esta integración, Phonon cuenta con un nuevo framework de inferencia denominado ptts, que incorpora más de 10 backends para ejecutar el sistema sobre diferentes tipos de hardware.
Entre las tecnologías compatibles se encuentran:
- CPU: Intel, Arm y WebAssembly.
- GPU: CUDA, Vulkan, Metal y WebGPU.
- NPU: Apple Core ML y Snapdragon.
Esta variedad de backends amplía las posibilidades de ejecución local de Phonon en distintas plataformas y arquitecturas.
Un enfoque de síntesis de voz centrado en el dispositivo
Phonon combina modelos de pequeño tamaño con una arquitectura capaz de generar audio sin depender de infraestructura remota.
Su propuesta reúne varias características: procesamiento local del texto, más de 100 voces integradas, creación de voces personalizadas, soporte multilingüe y compatibilidad con diferentes procesadores.
Los resultados publicados en Hugging Face también sitúan al modelo entre los mejor posicionados en inteligibilidad, mientras que sus cifras de tiempo hasta el primer audio destacan en las pruebas de streaming sobre CPU.
La combinación de estas capacidades y su integración con Transformers y ptts muestra el enfoque de Gradium hacia sistemas de texto a voz que puedan ejecutarse directamente donde se necesitan.
Phonon en contexto
Phonon es un modelo de texto a voz desarrollado por Gradium, basado en el linaje de Pocket TTS y presentado en detalle en el blog oficial de Hugging Face el 5 de noviembre de 2026.
