Gradium Phonon: la sintesi vocale open source che gira sul tuo dispositivo

Gradium ha rilasciato in open source Phonon, una famiglia di modelli di sintesi vocale da 31 e 40 milioni di parametri progettata per girare direttamente sul dispositivo, senza server e senza connessione. Il rilascio è del 20 ottobre 2026 e arriva dopo mesi di beta privata. Il testo che vuoi leggere ad alta voce resta sul tuo telefono, sul tuo portatile o nel tuo browser, e l’uso è illimitato e senza costi aggiuntivi.

Per chi sviluppa app vocali è una notizia concreta, perché sposta la voce sintetica dal cloud al bordo della rete. Vediamo cosa è stato annunciato, quali numeri dichiara Gradium e dove stanno i limiti.

Cos’è Phonon e cosa ha annunciato Gradium

Secondo il blog ufficiale di Gradium, Phonon è la versione aperta di un modello presentato per la prima volta il 3 aprile 2026, pensato per app consumer, personaggi non giocanti dei videogiochi e prodotti che devono funzionare offline. Dopo l’annuncio di primavera il modello è rimasto in beta privata, e solo ora i pesi sono pubblici.

La famiglia comprende tre varianti. La prima è Phonon 31M, solo inglese, con 6 livelli transformer e licenza Apache 2.0. La seconda è Phonon 40M, con 9 livelli, disponibile per inglese, francese, tedesco, spagnolo e portoghese, con un modello per ogni lingua. La terza è la 40M multilingue, che raccoglie le cinque lingue in un unico modello. Entrambe le versioni da 40M usano la licenza CC BY-NC.

La differenza di licenza conta più di quanto sembri.

Solo la 31M è utilizzabile liberamente anche in prodotti commerciali. Per le versioni da 40M, che Gradium indica come più espressive e accurate, l’uso commerciale richiede un accordo con l’azienda. Se stai valutando Phonon per un progetto a pagamento, parti da qui.

Dimensioni e voci incluse

Il punto di forza è il peso. Con la quantizzazione a 8 bit il modello 31M occupa circa 64 MB e le due versioni da 40M circa 74,6 MB, cifre che consentono di infilarlo in una scheda web o in un’app mobile senza appesantirla. I pesi sono distribuiti in formato GGUF e il progetto include un proprio motore di inferenza.

Le voci predefinite sono oltre cento. La 31M ne offre 37, comprese dodici voci di personaggio, mentre la 40M multilingue arriva a 102. Gradium dichiara inoltre il clonaggio istantaneo da una breve registrazione fornita con consenso e la progettazione di una voce a partire da una descrizione testuale, funzioni che passano però dallo studio web dell’azienda e non dal modello locale.

Come funziona sotto il cofano

L’architettura è un transformer causale che riceve come prefisso il testo e l’embedding del parlante. Il tokenizer è SentencePiece con un vocabolario di appena 4.000 token e non richiede conversione in fonemi. A ogni frame da 80 millisecondi il modello produce un vettore latente, e una testa a flow matching lo trasforma in embedding audio in un solo passaggio.

L’audio finale esce a 24 kHz grazie a una variante ridotta del decoder Mimi, sviluppato da Kyutai, la cui ricerca sui modelli linguistici audio continui è una delle basi del lavoro. Tutte le dimensioni sono distillate da un modello insegnante più grande, che condivide testa e decoder.

In pratica, la scelta di generare un solo vettore per frame e di evitare passaggi iterativi è ciò che tiene bassa la latenza anche su processori comuni.

I numeri dichiarati: qualità, errori e velocità

Gradium ha confrontato Phonon con Kokoro, Magpie di NVIDIA, NeuTTS e Pocket TTS con test d’ascolto alla cieca: 1.189 valutatori e 17.270 voti. In inglese, la 40M ottiene un punteggio Elo di 2117, la 31M di 2098 e Kokoro di 2043. In francese, spagnolo, tedesco e portoghese la distanza da Kokoro e Magpie è ancora più ampia, secondo la stessa tabella.

Sul fronte degli errori, la prova usa 500 frasi per lingua scelte tra i casi difficili segnalati dagli sviluppatori. Il tasso di errore sulle parole è dell’1,70% per la 31M, del 2,11% per la 40M multilingue e del 2,22% per la 40M, contro il 3,50% di Kokoro. Magpie arriva al 27,51%. L’insieme di frasi è pubblico su Hugging Face, così puoi ripetere il test.

Va però ricordato che si tratta di misure pubblicate dallo stesso produttore. La trascrizione è stata affidata a un modello automatico e il punteggio a un altro modello linguistico, quindi conviene verificare con le tue frasi e le tue voci prima di decidere.

Latenza su CPU, Raspberry Pi e smartphone

I dati più impressionanti riguardano la rapidità. Su un MacBook Air con chip M5, usando solo la CPU, la 31M inizia a parlare in circa 7 millisecondi, mentre Kokoro impiega 517 millisecondi. Con le ottimizzazioni KleidiAI di Arm si scende a 5,4 o 6,5 millisecondi, con una velocità tra 41 e 46 volte il tempo reale su quattro thread.

Su un Raspberry Pi 5 la prima parola arriva dopo 38 millisecondi e la sintesi è 3,7 volte più veloce del tempo reale, mentre Kokoro ha bisogno di circa sette secondi per partire e resta sotto il tempo reale. Sugli smartphone con Snapdragon 8 Elite Gen 5 Gradium riporta 7,5 millisecondi e una velocità 24 volte superiore al tempo reale.

Sono numeri da portare con prudenza al tuo hardware, ma indicano un ordine di grandezza utile.

Dove puoi usarlo e come provarlo

Phonon è ottimizzato per oltre dieci piattaforme: CPU Intel e Arm, WebAssembly, GPU con CUDA, Vulkan, Metal e WebGPU, e NPU come Core ML di Apple e quelle Snapdragon. Esiste una demo nel browser che esegue la 31M in una scheda, con la precisazione che WebGPU ha una latenza iniziale più alta della CPU perché genera quattro frame per volta.

I pesi sono su Hugging Face e il codice di inferenza è su GitHub, con un server compatibile con le API di OpenAI, un server WebSocket e integrazioni per Rust, Python, Swift e JavaScript. Il modello è raggiungibile anche tramite MLX-Audio, Transformers, LM Studio e Ollama. Nella scheda del modello su Hugging Face si trovano comandi pronti: per un primo test basta un’installazione Python e una riga di codice.

Tra i partner citati ci sono Arm e Qualcomm, oltre a FORVIA e Appning by FORVIA per la ricerca nel settore automobilistico. Le personalizzazioni, come lingue aggiuntive (coreano, arabo, giapponese) o vocabolari specifici, passano da partner di sviluppo.

Il contesto: la voce AI esce dal cloud

Phonon si inserisce in una fase in cui il mercato vocale corre su più fronti. Da una parte ci sono i servizi in cloud, come Voxtral 3 di Mistral, che unisce trascrizione, voce e SDK per gli agenti, e Grok Voice 3.0 di xAI, il modello speech to speech di xAI. Dall’altra cresce l’interesse per i modelli piccoli e locali, un filone che abbiamo seguito anche con Flint di Recursive, un modello open source da 40 milioni di parametri per il coding.

La logica è la stessa: ridurre costi, latenza e dipendenza da un fornitore esterno. Per una voce, questo vuol dire niente chiamate API a ogni frase e nessun testo inviato fuori dal dispositivo, un vantaggio evidente per app di accessibilità, assistenti in auto, giochi e dispositivi indossabili.

Gradium non è nuova a questo tipo di mosse. A luglio 2026 ha esteso il finanziamento seed a 100 milioni di dollari, con NVIDIA tra i nuovi investitori, e ha aperto una sede nella Bay Area di San Francisco. Pubblicare un modello aperto è anche un modo per far adottare il proprio stack agli sviluppatori.

Limiti e precauzioni da conoscere

La scheda del modello su Hugging Face è onesta sui confini. La versione inglese legge male le altre lingue, e l’impostazione della lingua deve coincidere con il testo, perché da essa dipende la normalizzazione di numeri, date e simboli. I testi lunghi vengono divisi in frasi, per cui la prosodia non si estende all’intero brano.

Manca poi l’italiano: oggi le lingue supportate sono inglese, francese, tedesco, spagnolo e portoghese, e per l’italiano dovresti rivolgerti ad altre soluzioni oppure attendere eventuali nuove versioni. Gradium cita le personalizzazioni per altre lingue ma non annuncia date.

C’è infine il tema etico. La scheda vieta di impersonare persone reali, di ingannare chi ascolta sull’identità del parlante e di clonare voci senza consenso, e consiglia di dichiarare quando la voce è sintetica. Se costruisci un prodotto con la clonazione, queste regole vanno applicate fin dall’inizio.

Conclusioni: perché tenere d’occhio Phonon

Phonon non è il modello vocale più grande né il più espressivo in assoluto, ma dimostra che una sintesi di qualità può stare in meno di 80 MB e partire in pochi millisecondi su hardware comune. Se sviluppi app mobili, giochi o strumenti per l’accessibilità, vale la pena scaricare la 31M e provarla con i tuoi testi.

Il consiglio pratico è di partire dalla demo nel browser, poi confrontare Phonon con la voce che usi oggi su latenza, costi e qualità percepita, controllando la licenza prima di andare in produzione. Seguici per gli aggiornamenti sul mondo delle voci AI e dei modelli locali.