目次
アプリでユーザーの端末上でオフライン動作する音声合成が必要なら、Phononは試す価値があります。小型モデルながら明瞭度とCPUストリーミングで優れた結果を示していますが、モデルごとのライセンスの違いには注意が必要です。英語モデルはApache 2.0で商用利用できますが、多言語モデルには別途商用契約が必要です。
要点#
- Phononには、約65 MBと75 MBのモデルパッケージがあり、英語モデルと5言語対応モデルを提供しています。
- Gradiumによると、ドイツ語とスペイン語の明瞭度で首位を獲得し、リーダーボードのCPUストリーミングベンチマークでは音声出力開始までの時間も最短でした。
- Phonon 31mはApache 2.0を採用し、Phonon 40mは非商用ライセンスを採用しています。
- 開発者は、端末上の推論にはpttsを、PyTorchとの統合やGPUでのバッチ生成にはTransformersを利用できます。
適切なモデルを選ぶ#
Phononには主に2つの選択肢があります。Phonon 31mは英語に対応し、Apache 2.0で商用利用できます。Phonon 40mは英語、フランス語、ドイツ語、スペイン語、ポルトガル語に対応し、非商用ライセンスで提供されます。Gradiumによると、利用制限のあるモデルの商用料金は、音声の生成量ではなくユーザー数に応じて決まります。
リリースには100種類以上の音声が組み込まれています。Gradium Studioでは、話者の同意を得た短い録音からの音声クローン作成や、テキストによる説明からの音声デザインにも対応しています。作成した音声ファイルは、ローカル推論用にダウンロードできます。
日本語、韓国語、アラビア語は、標準の多言語版が対応する5言語に含まれていません。Gradiumは追加言語や専門用語向けのカスタム学習を提供していますが、対応可否、品質、費用は直接確認する必要があります。
ベンチマークを慎重に読む#
Gradiumは2026年11月5日の発表レポートで、Phononがドイツ語とスペイン語の明瞭度で首位となり、評価したすべての言語で上位3位以内に入ったと述べています。また、Open TTS LeaderboardのCPUストリーミングベンチマークでも、音声出力開始までの時間で首位の結果を報告しています。
これらは特定の条件での結果であり、Phononがあらゆる場面で最高の音声を生成する証拠ではありません。明瞭度は、発話された単語を正しく認識できるかを測ります。音声出力開始までの時間は、再生をどれだけ早く始められるかを測ります。どちらの指標も、単独では自然な話し方、使用する専門用語の正確な発音、長文での安定した性能を保証しません。
リーダーボードには、出力を比較できるListenタブがあります。スコアと併せて活用し、製品への採用を決める前に最新の掲載内容を確認してください。順位は変わる可能性があり、提示されたレポートには、端末上の性能を予測するための正確な遅延値や十分なハードウェア情報が含まれていません。
推論方法を選ぶ#
ローカルで単一の音声ストリームを実行することが主な要件なら、pttsを使います。GradiumがPhonon向けに開発したもので、CPU、GPU、NPUでの実行を含む10種類以上のバックエンドに対応するとしています。選択肢として、WebAssembly、CUDA、Vulkan、Metal、WebGPU、Apple Core ML、Snapdragonが挙げられています。
PyTorch実装、GPUでのバッチ生成、既存のモデルワークフローとの統合が必要なら、Transformersを使います。Phononへの対応はTransformers v5.21から記載されており、グラフ全体へのtorch.compileの適用にも対応しています。インストール済みのバージョンに必要なクラスが含まれていることを確認してください。
最初の組み込みでは、チェックポイントとプロセッサーを読み込み、事前計算済みの音声ファイルを読み込んで、入力テキストを準備し、音声の潜在表現を生成します。その後、プロセッサーが潜在表現を再生可能な音声にデコードします。提供される音声表現はテンソルなので、任意の録音を直接読み込めば新しい音声を作成できるとは考えないでください。
実機でのリソース消費を確認する#
公表されているパッケージサイズは、ダウンロードの計画に役立ちます。ただし、ピークメモリ使用量を示すものではありません。提示されたTransformersの例では、英語の生成モデルに30,788,354個、音声トークナイザーにさらに10,305,313個のパラメーターがあります。
サポート対象の最低スペックのハードウェアで、アプリ全体を測定してください。音声出力開始までの時間、継続的な生成速度、ピークメモリ使用量、消費電力を記録します。高性能なノートPCでの短いデモだけでは、スマートフォンやシングルボードコンピューターで十分な性能が得られるとは判断できません。
オフライン動作も、アプリ全体で確認する必要があります。必要なモデルと音声データを先にダウンロードし、ネットワークを無効にして音声処理の全工程を実行してください。Phononはローカルで音声を合成できますが、ユーザーのテキストがどこへ送られるかは、アプリのテレメトリーや周辺サービスにも左右されます。
ユーザーが入力するテキストで試す#
Gradiumによると、Phononは電話番号、日付、コードを処理できます。便利な機能ですが、読み方の慣習は言語や製品によって異なります。インターフェースが受け付ける実際の形式でテストしてください。
一般的な文、専門用語、書式付きの数値、長文を含む小規模な評価セットを作ります。単語の抜け、不適切な間、発音のばらつきがないかを聞いて確認してください。同じ入力を現在の音声システムでも処理し、製品のニーズに即した比較を行います。
次のステップ#
サポート対象の最低スペックの端末で、日付や製品用語を含む代表的な20文を使ってPhononを実行し、発音の誤りと音声出力開始までの時間を記録してから、組み込みへの採用を判断してください。
出典: https://huggingface.co/blog/phonon-tts
目次
