MF Blogs 便利ツール
黒い背景にスマートフォンのイラストがあり、画面には緑の音声波形、右側には音が広がる弧、左上には斜線の入ったWi-Fiのアイコンが描かれている

記事

Gradiumの音声合成「Phonon」、65MBでデバイス上で動作——公開2週間で20万ダウンロード

Gradiumが、ネットワーク不要で端末上で動く小型の音声合成モデル「Phonon」の公開後の状況をHugging Face Blogで報告しました。約65MBと75MBの2サイズで5言語・100種類以上の声に対応し、Open TTS Leaderboardでは最初の音声が出るまでの速さで首位になったとしています。

0:00 0:00

音声AIを手がけるGradiumは2026年11月5日、Hugging Faceのブログで、端末上で動く小型の音声合成(TTS)モデル「Phonon」の公開から2週間の状況を報告しました。Phononはサーバーやネットワークを使わずにスマートフォンやPC、ブラウザの中でテキストを読み上げるモデルで、公開から2週間で20万回以上ダウンロードされ、いまもHugging Faceのトレンドに入っているとしています。

「声は端末の中で動くべき」という考え方

Gradiumは、多くの音声AIはクラウドで動いており、1文ごとにサーバーとの往復が発生すると指摘しています。Phononは端末の中で処理を完結させるため、入力したテキストが外に出ず、ネットワークがなくても声が出せるのが特徴です。

小型の端末で質の高い声を出すのは難しく、モデルを小さくすれば音質が落ち、音質を上げれば端末に収まらないというのが従来の課題でした。PhononはKyutaiのPocket TTSの系譜にあるモデルで、他の多くのTTSとは異なるフローマッチングという手法で音声を生成します。この方式で小さなモデルでも高い品質を出せた一方、学習が数値的に不安定になり、5言語すべてで品質を出すために複数の工夫が必要だったと振り返っています。4月の発表から半年かけてパートナーや初期ユーザーの声を取り入れ、モデルの小型化、対応言語の追加、ボイスクローンや声のデザインによる独自の声への対応を進めてきました。

黒い背景に白い大きな文字で「Phonon」、その下に「Top 3 in every language」と書かれた告知画像

画像引用元: Hugging Face Blog

2つのモデルとライセンスの違い

Phononには2つのサイズがあり、それぞれ対応言語とライセンスが異なります。

モデルサイズ言語ライセンス
Phonon 31m約65MB英語Apache 2.0(商用利用も無料)
Phonon 40m約75MB英語、フランス語、ドイツ語、スペイン語、ポルトガル語CC BY-NC(非商用は無料)

組み込みの声は100種類以上あり、Gradium Studioで独自の声も作れます。電話番号や日付、コードといった、他のTTSがつまずきやすい読み上げにも対応しているとしています。CC BY-NCのモデルを商用で使う場合の料金は、生成した音声の量ではなくユーザー数に応じて決まる仕組みです。動作環境はスマートフォン、ノートPC、シングルボードコンピューター、ブラウザのタブまでと幅広く、日本語は現時点で対象外です。

リーダーボードでは応答速度で首位と主張

Hugging Faceが新たに始めたOpen TTS Leaderboardは、Hubにある9,000以上のTTSモデルを比較できる場で、23言語について聞き取りやすさ(単語誤り率)、速度、自然さを評価しています。

Gradiumによると、Phononは聞き取りやすさでドイツ語とスペイン語で1位となり、評価したすべての言語で上位3位以内に入りました。最大で100倍の大きさのモデルと並ぶ結果だとしています。特に強調しているのが速度で、CPUでのストリーミングにおける最初の音声が出るまでの時間(95パーセンタイル)は、Phonon 31mが28ミリ秒、Phonon 40mの英語版が38ミリ秒で、Pocket TTSの165ミリ秒を大きく引き離したと説明しています。

Phonon 31mが28ミリ秒、Phonon 40mが38ミリ秒で上位を占め、Pocket TTSが165ミリ秒と続く、最初の音声が出るまでの時間を比較した棒グラフ

画像引用元: Hugging Face Blog

Apple Watchやブラウザでのデモ、Transformersにも対応

公開にあわせて、さまざまなデモも紹介されました。Wi-FiをオフにしたApple Watchでコーヒーの淹れ方を順に読み上げる例や、電波のないiPhoneで筋トレの回数を数えて励ます例、ブラウザでオフラインの恐竜ゲームをラジオ番組風に実況する例などです。開発者による活用も始まっており、ブラウザのGPUで動かすExecuTorchへの変換や、Node.jsアプリで使えるMicdropといったプロジェクトが登場しています。

推論用には専用のフレームワーク「ptts」を開発し、CPU(Intel、Arm、WebAssembly)、GPU(CUDA、Vulkan、Metal、WebGPU)、NPU(Apple Core ML、Snapdragon)の10以上のバックエンドに対応させました。端末上の1ストリームを高速に処理するpttsに対し、Hugging FaceのTransformersではv5.21から参照実装として組み込まれ、バッチ生成など音声データセットの大量合成に向いた使い方ができます。

アプリ開発者にとっての意味

ネットワークに頼らない読み上げは、通信が不安定な場所で使うフィットネスアプリや料理アプリ、個人情報を外に出したくない業務アプリなどで価値があります。英語向けのPhonon 31mはApache 2.0なので、商用アプリにもそのまま組み込みやすい点が大きいでしょう。

ベンチマークの数値はGradium自身の発表であり、自社アプリの文章や端末で同じ結果が出るかは別途確かめる必要があります。英語の読み上げ機能を持つアプリを開発しているなら、ブラウザのデモで声の質と応答速度を試し、クラウドTTSの利用料や遅延と比べてみる価値はありそうです。