Avec Phonon, Gradium fait entrer la synthèse vocale dans les appareils du quotidien

Gradium publie Phonon, des modèles vocaux de 31 à 40 millions de paramètres capables de générer de la parole localement sur ordinateur, mobile et navigateur.

Une voix de synthèse capable de commencer à parler en quelques millisecondes, sans envoyer le texte à un serveur distant. Avec Phonon, Gradium publie une famille de modèles de synthèse vocale suffisamment compacts pour fonctionner directement sur un ordinateur, un smartphone ou dans un navigateur. Le plus petit compte 31 millions de paramètres, tandis que les variantes de 40 millions couvrent cinq langues, dont le français. L'entreprise met en avant une latence de 7,5 millisecondes sur le Snapdragon 8 Elite Gen 5 et une génération jusqu'à 24 fois plus rapide que le temps réel sur cette puce. Disponible avec ses poids sur Hugging Face, Phonon cherche à rendre la synthèse vocale de qualité accessible sans dépendance permanente au cloud, avec des applications allant des jeux vidéo aux assistants personnels et aux outils d'accessibilité. Une synthèse vocale qui reste sur l'appareil

La plupart des applications de synthèse vocale avancée reposent sur des services distants : le texte est transmis à un modèle hébergé dans un centre de données, puis le son généré revient vers l'application. Ce fonctionnement permet d'utiliser des modèles volumineux, mais introduit une dépendance au réseau, des délais de communication et des coûts liés aux appels d'API. Pour un personnage de jeu vidéo, une interface d'assistance ou un appareil connecté, ces contraintes peuvent devenir perceptibles lorsque les réponses doivent être produites fréquemment.

Phonon prend le problème dans l'autre sens. Ses modèles sont conçus pour être chargés et exécutés directement sur le matériel utilisé par l'application. Phonon-31m comporte 31 millions de paramètres, avec un fichier de poids quantifiés sur huit bits de 64,5 Mo. Les versions 40m disposent de 40 millions de paramètres et occupent environ 74,6 Mo dans leur représentation quantifiée. Ces tailles relativement contenues permettent de viser des machines qui ne disposent pas nécessairement d'un GPU dédié.

Cette approche s'appuie sur les recherches menées par Kyutai autour de Pocket TTS, qui avaient déjà montré qu'une synthèse vocale de bonne qualité pouvait fonctionner en temps réel sur un processeur grand public. Gradium reprend certains principes de cette architecture et cherche à améliorer la précision de prononciation, la diversité des voix et la prise en charge de plusieurs langues. L'entreprise insiste sur trois propriétés : le texte reste sur l'appareil lorsque l'inférence est entièrement locale, le service peut continuer à fonctionner hors connexion et la génération ne nécessite pas de paiement à chaque utilisation. Sept millisecondes avant les premiers sons

Les performances annoncées reposent principalement sur le délai précédant la première portion d'audio et sur le rapport entre la durée du son produit et le temps nécessaire pour le calculer. Sur un MacBook Air M5, Gradium mesure environ 6,9 millisecondes avant le premier son pour Phonon-31m avec quatre threads CPU. Dans cette configuration, le modèle génère l'équivalent de 29,9 secondes d'audio par seconde de calcul. Avec certaines optimisations matérielles supplémentaires, ce rapport atteint 46,7 fois le temps réel dans les tests de l'entreprise.

Sur des processeurs Arm, l'intégration de KleidiAI, une bibliothèque de calcul optimisée développée par Arm, permet d'améliorer les performances. Arm rapporte un délai de 28 millisecondes avant le premier son et une génération quinze fois plus rapide que le temps réel. En collaboration avec Qualcomm, Gradium annonce également un délai de 7,5 millisecondes sur le Snapdragon 8 Elite Gen 5, avec une production audio 24 fois plus rapide que la lecture du résultat.

Ces mesures dépendent du matériel, du nombre de threads, des optimisations disponibles et de la façon dont le modèle est exécuté. Elles ne désignent pas le temps de réponse complet d'un assistant conversationnel : la transcription éventuelle de la question, le raisonnement du modèle de langage et la préparation du texte s'ajoutent au calcul vocal. Elles montrent néanmoins qu'une fois le texte disponible, la synthèse peut commencer avec un délai suffisamment faible pour ne plus imposer systématiquement un aller-retour vers un serveur. Des versions françaises, allemandes, espagnoles et portugaises

La famille Phonon comprend plusieurs configurations. Phonon-31m-en, le modèle le plus compact publié sous licence Apache 2.0, est spécialisé dans l'anglais. Les variantes Phonon-40m disposent chacune d'une version dédiée à l'anglais, au français, à l'allemand, à l'espagnol et au portugais brésilien. Une déclinaison multilingue de 40 millions de paramètres permet également de produire les cinq langues à partir des mêmes poids, sans devoir charger un modèle distinct pour chaque langue.

Gradium a comparé ces modèles à plusieurs systèmes ouverts, dont Kokoro, Magpie, NeuTTS et Pocket TTS, au moyen de tests d'écoute à l'aveugle. L'évaluation de naturalité repose sur 1 189 participants et 17 270 préférences recueillies. Dans les résultats publiés, Phonon-40m-en obtient un score Elo de 2 117 en anglais, contre 2 043 pour Kokoro. En français, Phonon-40m-fr atteint 2 072 points, tandis que la version multilingue obtient un score légèrement inférieur.

La prononciation constitue un autre critère important, en particulier lorsque les textes comportent des numéros de téléphone, des dates, des codes postaux ou des valeurs chiffrées. Gradium a constitué un ensemble de 500 phrases difficiles par langue, dont les sorties sont évaluées à l'aide de systèmes de reconnaissance vocale et d'une comparaison assistée par modèle de langage. Phonon-40m-fr affiche un taux d'erreur de 2,4 % sur cet ensemble français, contre 5,5 % pour Kokoro dans les résultats communiqués.

Ces évaluations fournissent des indications sur la naturalité perçue et la fidélité de lecture, mais ne couvrent pas toutes les situations. Les tests reposent sur des voix et des phrases sélectionnées, et certains résultats diffèrent selon le protocole utilisé. Ils ne permettent pas de