Новая модель phonon-40m-en для text-to-speech вышла на HuggingFace

19 октября 2026 года на HuggingFace опубликована модель gradium/phonon-40m-en с задачей text-to-speech. У модели 51 млн параметров, веса занимают 0.2 ГБ в репозитории, самый большой файл — model.safetensors на 0.1 ГБ. Доступны форматы safetensors и gguf. Лицензия — cc-by-nc-4.0, код выложен в открытый доступ. Подробности — на странице модели.

Что это значит

В нашем разделе генераторов звука уже есть несколько text-to-speech моделей, и phonon-40m-en заметно отличается от них по размеру. У XTTS самый большой файл весов — 1.7 ГБ, у Fish Speech — 1.2 ГБ, у ChatTTS — 0.8 ГБ. Здесь же весь репозиторий весит 0.2 ГБ, что делает модель заметно легче для локального запуска. По лицензии phonon-40m-en использует cc-by-nc-4.0 — как и веса ChatTTS. Это разрешает использование и распространение с указанием авторства, но только в некоммерческих целях. XTTS ограничен собственной лицензией Coqui Public Model License 1.0.0, которая также запрещает коммерческое применение, а Fish Speech требует отдельного соглашения для любого коммерческого использования. Требования к видеопамяти разработчик phonon-40m-en не уточняет. Для сравнения, авторы ChatTTS указывают минимум 4 ГБ GPU-памяти для 30-секундного клипа. Наличие gguf-формата у phonon-40m-en может упростить запуск на локальном железе, но конкретных инструкций по платформе на странице модели нет. Модель пополняет линейку phonon: в те же дни вышла phonon-31m-en. Пока это ранние версии, и по ним нет данных о качестве синтеза или поддерживаемых языках, кроме английского в названии.