2026-11-05 · ← News
Phonon packt lokales TTS in 65 MB, doch die Lizenzen teilen die Modellfamilie
Phonon bietet lokale TTS Modelle mit ungefähr 65 MB und 75 MB für fünf Sprachen und mehr als 10 Backends. Das englische 31m Modell erlaubt kommerzielle Nutzung unter Apache 2.0, die mehrsprachigen Varianten stehen unter der restriktiveren CC BY-NC Lizenz.
Das Bild konnte nicht geladen werden.
Phonon verpackt lokales TTS in zwei Größen von ungefähr 65 MB und 75 MB. Die Modelle decken fünf Sprachen ab, laufen auf Telefonen, Computern und im Browser und erzeugen Sprache, ohne Text an einen Server zu senden.
Zwei kleine Modelle decken fünf Sprachen und mehr als 10 Backends ab
Phonon 31m besitzt ohne Audio Tokenizer 30.788.354 Parameter, spricht Englisch und belegt quantisiert 64,5 MB. Phonon 40m gibt es für Englisch, Französisch, Deutsch, Spanisch und Portugiesisch mit jeweils ungefähr 74,6 MB. Der Katalog enthält mehr als 100 Stimmen.
Die ptts Runtime unterstützt über 10 Backends. Dazu gehören CPUs von Intel und Arm sowie WebAssembly, GPUs über CUDA, Vulkan, Metal und WebGPU und NPUs über Apple Core ML und Snapdragon. Eine Referenzimplementierung ist ab Transformers 5.21 verfügbar.
Lokale Sprache spart den Netzweg, die Lizenz begrenzt den Einsatz
Die Ausführung auf dem Gerät passt zu Barrierefreiheitswerkzeugen, Spielen, Offline Assistenten und Produkten, die Text nicht in die Cloud senden oder auf einen Server warten können. Durch Streaming beginnt die Wiedergabe schon vor Abschluss der gesamten Eingabe.
Die wichtige Grenze verläuft zwischen den Lizenzen. Das englische Phonon 31m steht unter Apache 2.0 und erlaubt kommerzielle Nutzung. Die 40m Modelle verwenden CC BY-NC 4.0 und sind für nichtkommerzielle Projekte kostenlos. Fünf Sprachen bedeuten deshalb nicht dieselbe Freiheit beim Einsatz.
Die Autoren melden Spitzenwerte, doch kein Leaderboard bildet jedes Produkt ab
Das Team nennt Platz eins für Deutsch und Spanisch sowie einen Rang unter den besten drei in jeder geprüften Sprache auf dem Hugging Face Open TTS Leaderboard. Zudem soll Phonon beim CPU Streaming die kürzeste Zeit bis zum ersten Audio erreichen. Das Leaderboard ist allerdings neu und der Anbieter interpretiert seine Ergebnisse selbst.
Die Model Card nennt praktische Grenzen. Lange Texte werden in Sätze geteilt, sodass die Prosodie nicht über die gesamte Eingabe erhalten bleibt. Die Sprache muss zum Normalisierer passen, nicht unterstützte Sprachen werden falsch ausgesprochen. Jedes Produkt muss Namen, Adressen, Fachkürzel und die Zielhardware selbst prüfen.
Tests auf dem Zielgerät und Regeln für Stimmen entscheiden über den Einsatz
Der erste Test betrifft Latenz, Speicher und Akku auf einem echten Telefon oder Embedded Gerät statt auf einer Referenzmaschine. Der zweite betrifft die korrekte Aussprache von Zahlen, Daten und Codes in der Produktsprache.
Phonon unterstützt Voice Cloning aus einer kurzen Aufnahme und verlangt die Zustimmung der sprechenden Person. Produkte brauchen außerdem Regeln zur Herkunft, Hinweise auf synthetische Sprache und Schutz vor Identitätsmissbrauch. Das kleine Modell senkt die technische Hürde, nicht die Verantwortung für die Stimme.
Liliths Urteil
Phonon hat ein Sprachmodell auf die Größe einer gewöhnlichen mobilen App geschrumpft. Neben der Sprachauswahl braucht es jedoch einen zweiten Schalter: Die Lizenz entscheidet, ob diese Stimme auch für ein bezahltes Produkt sprechen darf.