Hugging Face 发布 Phonon 端侧 TTS 模型，CPU 首字音频延迟低至 28ms

Hugging Face 联合 Gradium 正式发布 Phonon 文本转语音（TTS）模型，该模型可在无网络环境下运行于手机、浏览器及各类嵌入式设备。Phonon 包含两个版本：31m 参数量仅约 65MB，支持英语并采用 Apache 2.0 协议允许商用；40m 参数量约 75MB，支持英法德西葡五语种但仅限非商业用途。模型基于 Pocket TTS 架构，利用流匹配（flow matching）技术生成音频，解决了传统小型模型音质不佳的难题。

在 Hugging Face Open TTS Leaderboard 评测中，Phonon 表现突出。在可懂度方面，它在德语和西班牙语中排名第一，并在所有测试语言中进入前三，优于许多体积大 100 倍的模型。在速度指标上，Phonon 凭借 28ms（31m 版）和 38ms（40m 版）的首字音频时间（Time-to-First Audio），大幅领先竞品，成为 CPU 流式推理的新标杆。此外，Hugging Face 推出了专用的 ptts 推理框架，支持 CPU、GPU 及 NPU 等多种后端，并原生集成至 Transformers v5.21 版本。

事实层面，Phonon 已开源权重并提供 Gradium Studio 用于自定义声音克隆。推断层面，这一发布标志着端侧语音交互从“可用”迈向“好用”，特别是对于隐私敏感或弱网环境下的应用（如离线助手、车载系统）。猜测层面，随着端侧算力提升，未来可能出现更多针对特定硬件优化的轻量级多模态模型，进一步降低对云服务的依赖。