Phonon TTS: modelo de voz que roda no próprio dispositivo e lidera benchmarks abertos

O Phonon é um modelo de text-to-speech pequeno, em dois tamanhos (cerca de 65 MB e 75 MB), que gera voz na própria máquina, sem servidor e sem rede. O Phonon 31m fala inglês e sai sob Apache 2.0, liberado inclusive para produto comercial. O Phonon 40m cobre inglês, francês, alemão, espanhol e português sob CC BY-NC, só para uso não comercial. Para uso comercial desses modelos, o preço depende do número de usuários, não do volume de fala gerado.

Tecnicamente, ele descende da linhagem Pocket TTS e usa flow matching, técnica bem diferente da usada em outros sistemas de TTS. Segundo a fonte, foi isso que trouxe qualidade a um modelo tão pequeno, mas o treinamento foi inicialmente instável numericamente e pediu vários truques para funcionar nos cinco idiomas. O modelo gera latentes de áudio de forma autorregressiva, e o codec faz o papel de tokenizador. Um detalhe prático: o codec vem só com decoder, então as vozes são tensores de speaker latents pré-computados. No Open TTS Leaderboard, o Phonon aparece em primeiro em alemão e espanhol em inteligibilidade, no top três em todos os idiomas avaliados (ao lado de modelos até 100 vezes maiores) e lidera o benchmark de streaming em CPU no tempo até o primeiro áudio. Para rodar, a equipe criou o framework ptts, com mais de 10 backends (CPU, GPU e NPU). A integração ao Transformers (a partir da v5.21) serve para throughput em GPU, como gerar datasets de fala em escala.

O Phonon foi anunciado em abril e, segundo a fonte, passou seis meses em desenvolvimento com parceiros antes desta abertura. O resultado foram modelos menores, mais idiomas e suporte a voice cloning e voice design. Na cobertura do CEVIU, o tema de voz local já aparecia: em 28 de agosto de 2026, o CEVIU noticiou "Halo Neuro Lança Sopro V2: Clonagem de Voz em Tempo Real Chega aos Notebooks", um modelo multilíngue de 120 milhões de parâmetros. O Phonon, com 65 MB e 75 MB, entra na mesma linha de voz embarcada, mas não há ligação direta entre os projetos.

Para quem opera voz em produto, o ponto central é o custo e a privacidade: sem round trip à nuvem, o texto fica no aparelho e não há cobrança por volume de fala. Na licença, quem fizer uso comercial de português ou dos outros idiomas além do inglês precisa negociar por usuário, o que muda a conta frente ao Apache 2.0 do 31m. É leitura editorial: vale testar com o seu hardware-alvo antes de confiar nos números do leaderboard.