发布了什么
Phonon 是 Hugging Face 的小型文本转语音模型，运行在用户自己的设备上，不需要服务器和网络。模型有两种体积，约 65 MB 和 75 MB。合起来，这些模型支持英语、法语、德语、西班牙语和葡萄牙语，内置音色超过 100 种，用户也可以在 Gradium Studio 中创建自己的音色。
据 Hugging Face 介绍，Phonon 于 4 月公布，此后六个月与合作伙伴和早期用户一起继续开发。它可以在手机、笔记本、单板计算机和浏览器标签页中运行。公司称，模型发布后的前两周下载量超过 20 万次，目前仍在 Hugging Face 上保持热度。
许可与价格
Phonon 31m 采用 Apache 2.0 许可，可以免费使用，包括用在商业产品中。其他 Phonon 模型采用 CC BY-NC 许可，面向非商业项目免费。
把这些模型用于商业用途时，Hugging Face 表示价格按用户数量计算，而不是按生成了多少语音计算。具体金额和计价档位，公司没有公布。
语言覆盖与许可相关：Phonon 31m 只说英语，Phonon 40m 覆盖五种语言，但采用非商业许可。
如何使用
除独立运行外，Phonon 已进入 Transformers，从 v5.21 起作为其参考 PyTorch 实现提供。Hugging Face 为它构建的 ptts 推理框架支持 10 个以上后端，覆盖 CPU（Intel、Arm、WebAssembly）、GPU（CUDA、Vulkan、Metal、WebGPU）和 NPU（Apple Core ML、Snapdragon）。
在公司自己的评估中，Phonon 在 Hugging Face Open TTS 排行榜的德语和西班牙语可懂度上排在首位，在其评估过的每种语言中都位于前三。公司同时说明，该排行榜是一个很新的项目。
音色克隆需要获得说话人同意。公司还提到，训练初期在数值上并不稳定，需要若干处理手段。
对创作者和商家意味着什么
对短视频、短剧和电商内容团队来说，端侧运行的语音合成值得留意：生成不依赖服务器和网络，可以在浏览器标签页或本地设备上试听和测试，体积只有几十 MB。
选版本前需要先看清许可：31m 可免费商用但只支持英语，40m 覆盖五种语言却属于非商业许可。若涉及多语言商用，具体按用户数计价的方案和金额还需向 Hugging Face 确认，这些信息目前尚未公开。
用他人声音做音色克隆时，应取得说话人同意。
来源
Hugging FaceA Closer Look at Phonon TTS. Launching High-Quality On-Device Speech That Tops the Benchmarks.2026年11月5日 Gradium本文说明：正文由人工智能根据来源材料撰写，经与来源比对并由编辑审核。配图由人工智能为 AISTETIKA 生成，并非新闻画面。
