用于 text-to-speech 的新模型 phonon-40m-en 已在 HuggingFace 发布

2026年10月19日，模型 gradium/phonon-40m-en 在 HuggingFace 上发布，任务为 text-to-speech。该模型有 5100 万参数，权重在仓库中占 0.2 GB，最大的文件是 0.1 GB 的 model.safetensors。提供 safetensors 和 gguf 格式。许可证为 cc-by-nc-4.0，代码已开源。详情见模型页面。

这意味着什么

在我们的音频生成器板块中已经有几个 text-to-speech 模型，而 phonon-40m-en 在体积上与它们明显不同。XTTS 最大的权重文件为 1.7 GB，Fish Speech 为 1.2 GB，ChatTTS 为 0.8 GB。而这里整个仓库仅重 0.2 GB，这使得该模型在本地运行方面明显更轻量。 在许可证方面，phonon-40m-en 使用 cc-by-nc-4.0——与 ChatTTS 的权重相同。这允许在署名的情况下使用和分发，但仅限于非商业用途。XTTS 受其自有许可证 Coqui Public Model License 1.0.0 限制，该许可证同样禁止商业应用，而 Fish Speech 则要求任何商业使用都需另行签订协议。 phonon-40m-en 的开发者未说明显存要求。作为对比，ChatTTS 的作者指出，生成 30 秒片段至少需要 4 GB GPU 显存。phonon-40m-en 提供 gguf 格式，这可能简化在本地硬件上的运行，但模型页面上没有针对具体平台的说明。 该模型充实了 phonon 系列：同期还发布了 phonon-31m-en。目前这些都是早期版本，除了名称中的英语外，尚无关于合成质量或支持语言的数据。