Компания Gradium анонсировала открытие исходного кода своей модели текст-в-речь (TTS) Phonon, которая доступна под лицензией Apache 2.0. Модель Phonon имеет размер 31 миллион параметров и занимает 64,5 МБ, что позволяет ей работать на различных устройствах, включая телефоны, ноутбуки и Raspberry Pi 5, без необходимости в графических процессорах.

Phonon обеспечивает высокое качество синтезированной речи с минимальной задержкой — около 7 миллисекунд до первого звука на центральном процессоре. Модель демонстрирует лучшие результаты среди открытых моделей, с ошибкой в словах (WER) 1,70% на тестовом наборе из 500 предложений, что делает её конкурентоспособной по сравнению с другими решениями на рынке.

Запуск Phonon важен для разработчиков, так как он предоставляет возможность интеграции качественного синтеза речи в приложения без дополнительных затрат на облачные сервисы. Это может значительно упростить разработку и снизить затраты на использование технологий TTS для различных устройств и платформ.