Phonon převádí text na řeč přímo v zařízení a nabízí přes 100 hlasů

Phonon převádí text na řeč přímo v zařízení a nabízí přes 100 hlasů

Ondřej Barták
Ondřej Barták
podnikatel a programátor
5. 11. 2026
2 minut čtení · 5 zhlédnutí
Poslechněte si článek
Audio verze článku
Phonon převádí text na řeč přímo v zařízení a nabízí přes 100 hlasů

Autoři zpřístupnili Phonon, malý model pro převod textu na řeč, který běží přímo v zařízení bez serveru a síťového připojení. Zadaný text tak zařízení neopouští. Model je dostupný ve dvou velikostech, podporuje pět jazyků a nabízí více než 100 předpřipravených hlasů.

Dvě verze a vlastní hlasy

Phonon se dodává ve velikostech přibližně 65 a 75 MB. Verze Phonon 31m mluví anglicky, zatímco Phonon 40m podporuje všech pět jazyků: angličtinu, francouzštinu, němčinu, španělštinu a portugalštinu.

Vedle předpřipravených hlasů lze v Gradium Studio vytvořit vlastní. Uživatel může se souhlasem mluvčího naklonovat hlas z krátké nahrávky, případně nový hlas popsat textem. Výsledný soubor si stáhne a načte do Phononu, který pak běží v zařízení.

Podle autorů po dubnovém oznámení model šest měsíců vyvíjeli s partnery a prvními uživateli. Během této práce modely zmenšili a přidali další jazyky i podporu vlastních hlasů.

Spuštění v telefonu, počítači i prohlížeči

Phonon lze spustit na telefonech, noteboocích, jednodeskových počítačích i v prohlížeči. Podle autorů si poradí také s telefonními čísly, daty a kódy.

Pro model vznikl inferenční framework ptts, který podporuje více než deset backendů pro procesory CPU, GPU a NPU. Patří mezi ně například WebAssembly, CUDA, Metal, WebGPU a Apple Core ML.

Referenční implementace v PyTorch je součástí knihovny Transformers od verze 5.21. Zatímco ptts zpracovává v zařízení jeden proud, integrace v Transformers je zaměřená na propustnost GPU, dávkové generování a syntézu rozsáhlých řečových datasetů.

V integraci Transformers model autoregresivně vytváří latentní reprezentace zvuku, které procesor dekóduje na audio. Hlasy se dodávají jako předem vypočtené latentní reprezentace mluvčích a přiložený audio tokenizer slouží pouze k dekódování.

Výsledky srozumitelnosti a ukázky

Phonon vychází z řady Pocket TTS a k vytváření zvuku používá metodu flow matching. Podle autorů byl trénink zpočátku numericky nestabilní a vyžadoval úpravy, aby dosáhl kvalitních výsledků ve všech pěti jazycích.

V žebříčku Hugging Face Open TTS Leaderboard se Phonon podle autorů umístil první ve srozumitelnosti němčiny a španělštiny a v první trojici u každého jazyka, který vyhodnotili. Žebříček měří srozumitelnost pomocí chybovosti slov ve výstupech. Autoři rovněž uvádějí, že modely Phonon vedou v testu streamování na CPU podle času do prvního zvukového výstupu.

Doprovodné ukázky představily hlasového průvodce přípravou kávy na Apple Watch s vypnutou Wi-Fi a počítání opakování cvičení na iPhonu bez signálu. Podle autorů byl Phonon během prvních dvou týdnů stažen více než 200 000krát.

Licence a komerční použití

Anglický Phonon 31m je dostupný pod licencí Apache 2.0 zdarma i pro komerční použití. Phonon 40m má nekomerční licenci; u komerčního využití ostatních modelů se cena odvíjí od počtu uživatelů, nikoli od objemu vygenerované řeči.

Reklama

S tvorbou obsahu pomáhá UpTier.

SEO a GEO na autopilota. Multiagentní systémy UpTier píší a optimalizují obsah pro vyhledávače i AI odpovědi.

Objevte UpTier ↗

Kategorie:AI
Líbil se vám tento článek?
Objevte další zajímavé příspěvky na blogu
Zpět na blog

Související články

Demokraté chystají lavinu zákonů o umělé inteligenci. AI firmy čekají těžší časyDemokraté chystají lavinu zákonů o umělé inteligenci. AI firmy čekají těžší časy
Po převzetí Kongresu chtějí demokraté zpřísnit dohled nad AI, chránit domácnosti před dražší elektřinou a přenést odpovědnost za škody na technologické firmy. Trump jim však stojí v cestě.
3 min čtení
10. 11. 2026
Neviditelný vodoznak v textech od Groku: jak funguje a koho se týkáNeviditelný vodoznak v textech od Groku: jak funguje a koho se týká
Texty z Groku nově nesou skrytou stopu, podle níž lze ověřit jejich původ. Jak značení funguje, kdo ho může vypnout a proč není neprůstřelné?
2 min čtení
10. 11. 2026
Anthropic vydal modely Mythos 5.2 a Fable 5.2Anthropic vydal modely Mythos 5.2 a Fable 5.2
Nové modely se podle Anthropicu zlepšily v programování, uvažování a práci s obrazem. Fable 5.2 má také rychleji odpovídat a podporuje podnikové zásady nulového uchovávání dat.
1 min čtení
10. 11. 2026
Přihlaste se k odběru našeho newsletteru
Zůstaňte informováni o nejnovějších příspěvcích, exkluzivních nabídkách, a aktualizacích.
CodedTrip

Provozovatel: CodedTrip LLC, USA.

YouTube
TikTok