公開:2026年11月6日, 最終更新:2026年11月6日
gradiumは2026年11月5日、オンデバイス動作の音声合成モデル「Phonon TTS」の詳細と初期成果をHugging Face公式ブログで公開した。クラウド接続不要でスマートフォンやブラウザ上で動作し、公開から2週間で20万回以上ダウンロードされたという。
30秒サマリー
- Phonon TTSはネットワーク不要のオンデバイス音声合成モデルで、約65MBと75MBの2サイズを提供
- Hugging Face Open TTS Leaderboardでドイツ語・スペイン語の聴き取りやすさ(intelligibility)部門で1位、全評価言語でトップ3入り
- Phonon 31mはApache 2.0ライセンスで商用利用無料、Phonon 40mはCC BY-NCで5言語対応
Phonon TTSの公開内容と性能評価
gradiumは、小型テキスト音声合成モデル「Phonon TTS」の公開経緯と技術詳細をHugging Face公式ブログで解説した。同ブログによれば、Phonon TTSは約2週間前に公開されており、今回の記事はその背景・デモ事例・ベンチマーク結果を詳述するものだ。
Phonon TTSは2サイズ展開で、ファイルサイズはそれぞれ約65MBと約75MB。英語・フランス語・ドイツ語・スペイン語・ポルトガル語の5言語に対応し、100種類以上の内蔵音声を持つ。スマートフォン、ラップトップ、シングルボードコンピュータ、ブラウザタブで動作する。ライセンス面では、Phonon 31m(英語対応)がApache 2.0で商用利用を含め無償、Phonon 40m(5言語対応)はCC BY-NCで非商用利用のみ無償となる。商用利用の場合は生成量ではなくユーザー数に基づく価格体系だという。
Hugging Face Open TTS Leaderboardでの評価では、ドイツ語とスペイン語の聴き取りやすさ(単語誤り率)で1位を獲得し、評価した全言語でトップ3に入ったとされる。速度面ではCPUストリーミングのtime-to-first-audioベンチマークでトップとなった。比較対象には最大100倍のサイズのモデルも含まれているという。技術的にはPocket TTS系譜の「フローマッチング」を採用しており、他の多くのTTSシステムとは異なるアプローチをとる。
推論フレームワークとしてPhonon専用の「ptts」を新たに開発し、CPU(Intel・Arm・WebAssembly)、GPU(CUDA・Vulkan・Metal・WebGPU)、NPU(Apple Core ML・Snapdragon)を含む10以上のバックエンドをサポートする。また、Hugging Face TransformersのバージョンV5.21以降にも統合されており、PyTorchによるGPUスループット向上やバッチ生成にも対応する。
Phonon TTSの主な仕様・数値
- モデルサイズ(2種):約65MB と 約75MB
- 対応言語:英語・フランス語・ドイツ語・スペイン語・ポルトガル語(5言語)
- 内蔵音声数:100種類以上
- Phonon 31mライセンス:Apache 2.0(商用利用含め無償)
- Phonon 40mライセンス:CC BY-NC(非商用無償、商用はユーザー数ベース課金)
- Transformers対応バージョン:v5.21以降
- pttsサポートバックエンド数:10以上
- 公開後2週間のダウンロード数:20万回以上
出典: Hugging Face Blog(公式ブログ)
なぜ重要か(編集部の分析)
編集部の分析として——音声AIは従来、クラウド経由の推論が主流であり、テキストデータが外部サーバーへ送信されるプライバシーリスクと、ネットワーク遅延が課題だった。Phonon TTSは数十MBのモデルサイズでベンチマーク上位の品質を実現しており、オンデバイス音声AIの実用水準が大きく引き上げられたことを示している。特に商用無償のApache 2.0モデルが存在する点は、スタートアップや組み込み用途での採用障壁を下げる。
日本企業への示唆(編集部の分析)
編集部の分析として——日本企業にとっての示唆は主に二点ある。第一に、機密情報を扱う社内ツールや医療・法務・金融分野のアプリケーションで、音声読み上げ機能を外部クラウドなしに実装できる可能性が開ける。第二に、現時点でサポート言語に日本語は含まれていないが、gradiumはカスタムモデルのトレーニング対応として日本語を候補言語に挙げており、商用パートナーとして交渉できる段階にある。オフライン動作・データ非送信を要件とする製品開発の担当者は、技術的な選択肢として評価を始める時期といえる。
背景・経緯
原文によれば、gradiumはPhonon TTSを2026年4月に最初にアナウンスし、その後6か月間をパートナー企業や初期ユーザーとのフィードバックをもとに開発に充てた。モデルの小型化、多言語対応の拡充、音声クローニングや音声デザインによるカスタムボイス機能が今回の正式公開に向けて追加されたとされる。Hugging Face Open TTS Leaderboardは原文で「非常に新しいプロジェクト」と表現されており、Hugging Face Hub上には9,000以上のTTSモデルが存在するという。
Phonon TTSについてよくある質問
Q. Phonon TTSは日本語に対応していますか?
A. 原文の時点でPhonon TTSがサポートする言語は英語・フランス語・ドイツ語・スペイン語・ポルトガル語の5言語であり、日本語は含まれていない。ただし、gradiumはデザインパートナー向けに韓国語・アラビア語・日本語対応のカスタムモデルトレーニングが可能と案内している。
Q. Phonon TTSを商用利用する場合、費用はかかりますか?
A. Phonon 31m(英語)はApache 2.0ライセンスで商用利用を含め無償。Phonon 40m(5言語)はCC BY-NCのため商用利用には別途ライセンスが必要で、原文によると価格は生成量ではなくユーザー数に基づく体系とされている。
Q. Phonon TTSはどのようなデバイスで動作しますか?
A. 原文によれば、スマートフォン、ラップトップ、シングルボードコンピュータ、ブラウザタブでの動作が確認されている。また、Apple WatchやWi-Fi・電波のないiPhoneでの動作デモも紹介されている。




