2026-11-05 · ← Noticias
Phonon comprime el TTS local en 65 MB, pero sus licencias dividen la familia
Phonon ofrece modelos TTS locales de unos 65 y 75 MB para cinco idiomas y más de 10 backends. El modelo inglés 31m admite uso comercial con Apache 2.0, mientras las opciones multilingües usan la licencia más restrictiva CC BY-NC.
No se pudo cargar la imagen.
Phonon empaqueta TTS local en dos tamaños de unos 65 y 75 MB. Los modelos cubren cinco idiomas, funcionan en teléfonos, ordenadores y navegadores, y pueden generar voz sin enviar el texto a un servidor.
Dos modelos pequeños cubren cinco idiomas y más de 10 backends
Phonon 31m tiene 30.788.354 parámetros sin contar el audio tokenizer, habla inglés y ocupa 64,5 MB con cuantización de 8 bits. Phonon 40m ofrece variantes para inglés, francés, alemán, español y portugués de unos 74,6 MB. El catálogo incluye más de 100 voces.
El runtime ptts admite más de 10 backends. Incluye CPU para Intel, Arm y WebAssembly, GPU mediante CUDA, Vulkan, Metal y WebGPU, además de NPU mediante Apple Core ML y Snapdragon. La implementación de referencia está disponible en Transformers desde la versión 5.21.
La voz local evita la nube, pero la licencia limita el despliegue
La ejecución en el dispositivo encaja en herramientas de accesibilidad, juegos, asistentes offline y productos que no pueden enviar texto a la nube ni esperar al servidor. El streaming permite empezar a reproducir antes de completar toda la entrada.
La frontera importante está en las licencias. Phonon 31m en inglés usa Apache 2.0 y permite uso comercial. Los modelos 40m emplean CC BY-NC 4.0 y son gratuitos para proyectos no comerciales. Cubrir cinco idiomas no ofrece, por tanto, la misma libertad de despliegue.
El leaderboard lo interpretan los autores y no representa todos los productos
El equipo comunica el primer puesto en alemán y español, además de resultados entre los tres mejores en cada idioma evaluado por el Hugging Face Open TTS Leaderboard. También afirma liderar el tiempo hasta el primer audio con streaming en CPU. El leaderboard es nuevo y es el propio proveedor quien presenta los resultados.
La model card enumera límites concretos. Los textos largos se dividen en frases, de modo que la prosodia no se mantiene en toda la entrada. El idioma debe coincidir con el normalizador y los idiomas no admitidos reciben una pronunciación incorrecta. Cada producto debe probar nombres, direcciones, abreviaturas y su hardware final.
Las pruebas en el dispositivo y la gestión de voces decidirán los despliegues
La primera prueba será la latencia, la memoria y la batería en un teléfono o dispositivo embedded real, no en una máquina de referencia. La segunda será la lectura correcta de cifras, fechas y códigos en el idioma del producto.
Phonon permite voice cloning a partir de una grabación breve y pide el consentimiento del hablante. Los productos necesitarán reglas sobre procedencia, aviso de voz sintética y protección frente a suplantaciones. Un modelo pequeño reduce la barrera técnica, pero no elimina la responsabilidad sobre la voz.
El veredicto de Lilith
Phonon ha reducido un modelo de voz hasta hacerlo vecino de una app móvil corriente. El selector de idioma necesita un segundo botón: la licencia decide si esa voz también puede hablar para un producto de pago.