何が起きたか
- 端末上で動く小型のテキスト音声合成モデルPhononの開発者らは、2026年11月5日、Hugging Faceのブログに、2週間前に行った公開の振り返りを発表した。
- サイズは約65 MBと75 MBの2種類。両方合わせて、英語、フランス語、ドイツ語、スペイン語、ポルトガル語を話し、100を超える音声を内蔵する。
- スマートフォン、ノートパソコン、シングルボードコンピューター、ブラウザーのタブで動く。サーバーもネットワークも要らないので、テキストが端末の外に出ることはない。
- 英語のみのPhonon 31mはApache 2.0ライセンスで、商用利用が可能だ。Phonon 40mは5言語すべてに対応し、非商用ライセンスで提供される。商用利用の場合、価格はユーザー数によって決まる。
なぜ重要か
- 音声AIの多くはクラウドにあり、一文ごとにサーバーとの往復が生じる。端末上で動かせばその往復を避けられ、入力した内容も守られる。
- この大きさのモデルでスペイン語が上位に入っており、接続環境にばらつきのあるラテンアメリカのアプリケーションに役立つ。
- 開発者らは、昔からのジレンマを認めている。小さなモデルは音質が悪く、音質のよいモデルは収まらなかった。
数字で見る
20万ダウンロード。 PhononがHugging Faceで最初の2週間に超えた数だ。開発者によると、明瞭度ではドイツ語とスペイン語で1位、評価対象のすべての言語で上位3位以内に入り、最大で100倍大きいモデルと肩を並べる。
背景
この比較は、Open TTS Leaderboardによる。Hugging Faceが最近公開したこの表は、同プラットフォーム上の9,000を超える音声モデルのなかから、オープンモデルを23言語で、明瞭度、速度、自然さについて評価している。この振り返りはモデル自身の作者が書いたものであり、表は別途確認されていない点に注意が必要だ。
PhononはPocket TTSの系譜に属し、ほかのシステムとは異なり、フローマッチングと呼ばれる技術で音声を生成する。チームによると、訓練は当初、数値的に不安定だった。また、CPU、GPU、NPUで10を超える実行オプションを持つ独自の推論エンジンpttsも作った。
Mamíferoでは音声モデルを追ってきた。NvidiaがNemotron 3.5 Transcribeを公開したことや、Blockが音声だけで訓練した音声モデルDessaを発表したことを伝えた。ほかに、RecursiveがノートPCでコードを実行するFlintを公開したこと、A5が文脈を覚えるデスクトップアシスタントを提案していることも伝えている。
今後
- 開発者らはすでに、ブラウザーやNode.jsアプリケーションなど、ほかの環境へ持ち込んでいる。
- デモには、Wi-FiのないApple Watchがコーヒーの準備を案内するものがある。
- スペイン語の品質を独立して評価することが、次の試金石になる。
まとめ
興味深いのは、また一つ合成音声が増えたことではなく、それがどこで動くかだ。腕時計に収まり、スペイン語で聞き取れるなら、話すために接続に頼らなくなる。
出典
- Phononチーム、「A Closer Look at Phonon TTS」、Hugging Faceブログ、2026年11月5日、リンク。表の順位は著者らによる報告。
- カバー画像：Raysonho @ Open Grid Scheduler / Grid Engine、CC0、Wikimedia Commonsより
編集：Rodrigo Cornejo。選定と検証の方法：ノートを書いているのは誰か。