端侧语音合成长期被体积和延迟两头挤压，Gradium 的开源动作给出了一个相当激进的解法。
发生了什么
Gradium 开源了名为 Phonon 的端侧文本转语音（TTS）模型家族。其中英文版本 Phonon 31m 采用 Apache 2.0 协议发布，参数量约 3100 万，模型体积 64.5 MB，在笔记本 CPU 上从输入到开始发声的延迟约为 7 毫秒。
需要说明的是，公开信息只覆盖了英文版本与上述几个指标，模型的具体架构、训练数据、音色数量、多语言支持范围以及主观音质评测，目前都还没有充分披露。因此对它的评价应当限定在"体积小、延迟低、许可宽松"这三点上。
为什么重要
TTS 的主流路线过去两年基本沿着两条路走：一是云端大模型，音质和表现力强，但依赖网络、有调用成本和隐私顾虑；二是端侧小模型，能离线跑，但往往在自然度上明显妥协。
Phonon 的意义在于把"端侧"这条线的参数规模压到了一个新位置。64.5 MB 意味着它可以被打包进移动应用、桌面软件甚至嵌入式设备，而不显著增加安装包体积；7 毫秒级的首包延迟则意味着交互体验接近"即时"，这对实时对话、无障碍朗读、游戏与导航播报这类场景是硬指标。
更关键的是许可证。Apache 2.0 允许商用和修改，相比许多 TTS 项目采用的非商用或自定义协议，这大幅降低了产品化门槛。对中小团队来说，这意味着不必自研声学模型，也不必为云端 API 的按量计费做成本测算。
影响与看点
对开发者而言，最直接的价值是把语音能力从"服务"变成"依赖库"：离线可用、无网络抖动、无按次计费，隐私数据不出设备。这会推动一批此前因成本或延迟被放弃的产品形态，比如本地优先的语音助手、离线阅读器和端侧实时字幕配音。
对行业而言，Phonon 加入的是端侧语音这条正在升温的赛道。当小模型的首包延迟进入个位数毫秒、体积进入几十 MB 量级，云端 TTS 的差异化将更多落在音色丰富度、情感控制和多语言覆盖上，而不是"能不能用"。
值得关注的几个未解问题：英文之外的语言支持何时跟进；音质在真实噪声环境下的表现；以及 31M 参数在长句、多音字和专业术语上的稳定性。这些决定了它是"能演示"还是"能上线"。
一个判断：端侧 TTS 的竞争焦点已经从"音质能不能追上云端"，转向"在可接受的音质下，体积和延迟能压到多低"。Phonon 把这条基准线又往下推了一格。
