رفتن به محتوای اصلی
· 7 دقیقه مطالعه· در هوش مصنوعی

رونمایی از مدل Phonon TTS؛ تبدیل متن به گفتار باکیفیت و بدون نیاز به اینترنت

استارتاپ فرانسوی Gradium از خانواده مدل‌های هوش مصنوعی Phonon رونمایی کرد که امکان تبدیل متن به گفتار را با کیفیت بالا، حجم بسیار کم و بدون پردازش ابری روی دستگاه‌های معمولی فراهم می‌کند.

به قلم آرش رضایی

این خبر را به اشتراک بگذارید

گوش‌ دهید

معماری استاندارد برای صدای مصنوعی باکیفیت همواره بر یک مصالحه بنیادین استوار بوده است: دستگاه‌ها متن خصوصی کاربر را به پردازنده‌های گرافیکی ابری می‌فرستند، منتظر پردازش می‌مانند و سپس صدا را دریافت می‌کنند. این رفت‌وبرگشت علاوه بر ایجاد تاخیر و هزینه‌های پردازش ابری، در صورت قطع اینترنت کاملاً از کار می‌افتد.[2]

اکنون، یک استارتاپ فرانسوی در حوزه هوش مصنوعی صوتی به نام Gradium با انتشار خانواده‌ای از مدل‌های متن به گفتار (TTS) به نام Phonon، این پارادایم مبتنی بر فضای ابری را به چالش کشیده است. این مدل‌ها که در اواخر اکتبر ۲۰۲۶ معرفی شدند، گفتاری طبیعی را کاملاً روی سخت‌افزار محلی تولید می‌کنند.[2][4]

این مجموعه شامل مدل‌هایی با تنها ۳۱ میلیون و ۴۰ میلیون پارامتر است که در فایل‌هایی با حجم کمتر از ۷۵ مگابایت جای می‌گیرند. به گفته شرکت Gradium، این مدل‌ها می‌توانند روی پردازنده‌های مرکزی (CPU) لپ‌تاپ‌ها، گوشی‌های هوشمند و حتی بردهای کوچکی مانند Raspberry Pi 5 اجرا شوند و نیازی به کارت‌های گرافیک گران‌قیمت انویدیا ندارند.[1][2]

معماری فنی و نحوه عملکرد

طراحی Phonon بر کارایی جریان داده و تاخیر بسیار پایین تمرکز دارد. این سیستم از یک معماری ترانسفورمر علی (Causal Transformer) استفاده می‌کند که متن خام را از طریق یک توکنایزر SentencePiece با دایره واژگان ۴۰۰۰ توکنی می‌خواند. برخلاف موتورهای قدیمی‌تر، این مدل مرحله پیچیده تبدیل متن به واج را کاملاً حذف کرده است.[2][3]

لارنس مورونی، توسعه‌دهنده هوش مصنوعی، در بررسی این مدل اشاره می‌کند که ترانسفورمر برای هر ۸۰ میلی‌ثانیه از گفتار، یک بردار پنهان تولید می‌کند. سپس یک ماژول تطبیق جریان (Flow-matching) این بردارها را در یک مرحله به امواج صوتی تبدیل می‌کند که این امر کارایی را در دستگاه‌های لبه به شدت افزایش می‌دهد.[3]

تولید نهایی صدا بر عهده نسخه کوچک‌تری از رمزگشای Mimi است؛ فناوری پیشرفته‌ای که در ابتدا توسط آزمایشگاه هوش مصنوعی فرانسوی Kyutai توسعه یافته بود. این رمزگشا صدای خروجی را با کیفیت ۲۴ کیلوهرتز ارائه می‌دهد. از آنجا که این معماری فریم به فریم کار می‌کند، Phonon می‌تواند همزمان با تولید ادامه جمله، پخش صدا را آغاز کند.[2][3]

معماری Phonon با حذف مرحله تبدیل متن به واج، سرعت پردازش را به شدت افزایش داده است.

این قابلیت پخش همزمان منجر به زمان پاسخ‌گویی فوق‌العاده سریعی می‌شود. روی یک پردازنده مرکزی استاندارد لپ‌تاپ، مدل Phonon 31m اولین فریم صوتی خود را تنها در ۶.۹ تا ۷ میلی‌ثانیه ارائه می‌دهد. همچنین روی گوشی Apple iPhone 16 Pro، این مدل تا ۲۲ برابر سریع‌تر از زمان واقعی عمل می‌کند.[1][2]

نسخه‌های مدل و مجوزهای استفاده

شرکت Gradium خانواده Phonon را در سه نسخه مجزا عرضه کرده است تا تعادلی میان کیفیت، پشتیبانی از زبان‌ها و قابلیت استفاده تجاری ایجاد کند. مدل پایه یعنی Phonon 31m، یک نسخه مختص زبان انگلیسی است که در قالب یک فایل فشرده‌سازی شده ۶۴.۵ مگابایتی در دسترس قرار گرفته است.[2][4]

نکته بسیار مهم برای توسعه‌دهندگان این است که مدل ۳۱ میلیون پارامتری تحت مجوز آزاد Apache 2.0 منتشر شده است. این مجوز به استارتاپ‌ها و برنامه‌نویسان مستقل اجازه می‌دهد تا این موتور صوتی را بدون پرداخت هزینه لایسنس یا قبض‌های سنگین پردازش ابری، در محصولات تجاری خود ادغام کنند.[2][4]

برای پشتیبانی از زبان‌های بیشتر، Gradium سری Phonon 40m را ارائه کرده است. این مدل‌های ۷۴.۶ مگابایتی در نسخه‌های تک‌زبانه برای انگلیسی، فرانسوی، آلمانی، اسپانیایی و پرتغالی عرضه شده‌اند. علاوه بر این، یک نسخه چندزبانه نیز وجود دارد که تمامی این پنج زبان را در یک مجموعه واحد از وزن‌های شبکه عصبی جای داده است.[2][5]

با این حال، مدل‌های ۴۰ میلیون پارامتری دارای مجوز CC BY-NC 4.0 هستند که استفاده از آن‌ها را به مقاصد غیرتجاری محدود می‌کند. توسعه‌دهندگانی که قصد دارند مدل‌های چندزبانه یا 40m را در برنامه‌های پولی خود به کار بگیرند، باید مستقیماً با تیم فروش Gradium برای دریافت مجوز تجاری مذاکره کنند.[2][3]

مقایسه حجم فایل نسخه‌های مختلف مدل Phonon که همگی زیر ۷۵ مگابایت فضا اشغال می‌کنند.

دقت، کیفیت و ارزیابی‌ها

کوچک کردن یک مدل هوش مصنوعی به ۳۱ میلیون پارامتر معمولاً باعث افت دقت تلفظ می‌شود، به ویژه در مواجهه با قالب‌های پیچیده‌ای مانند تاریخ‌ها، اعداد و کلمات اختصاری. با این وجود، نتایج بنچمارک‌های Phonon نشان می‌دهد که این مدل با سیستم‌های بسیار بزرگ‌تر رقابت می‌کند.[2]

در ارزیابی‌های داخلی Gradium روی یک مجموعه داده ۵۰۰ جمله‌ای از متون دشوار، مدل Phonon 31m به نرخ خطای کلمه (WER) معادل ۱.۷۰ درصد دست یافت. این رقم به طور قابل‌توجهی بهتر از مدل متن‌باز و محبوب Kokoro است که در همین آزمون نرخ خطای ۳.۵۰ درصدی را ثبت کرده بود.[1][2]

در ارزیابی استاندارد Seed-TTS برای زبان انگلیسی، مدل‌های Phonon در به‌روزرسانی‌های اخیر نرخ خطای کلمه‌ای در حدود ۱.۰۰ درصد را ثبت کردند. زمانی که این ارزیابی روی یک صدای ثابت و مشخص قفل شد، نرخ خطا به ۰.۸۳ درصد کاهش یافت که آن را بالاتر از رقبایی مانند NeuTTS Air و Magpie انویدیا قرار می‌دهد.[2]

مدل چندزبانه 40m نیز عملکرد قدرتمندی در عبور از مرزهای زبانی نشان داد. در بنچمارک‌های ژوئیه ۲۰۲۶، این مدل میانگین نرخ خطای کلمه ۱.۰۷ درصدی را در زبان‌های فرانسوی، آلمانی و اسپانیایی ثبت کرد، در حالی که این رقم برای مدل Magpie انویدیا ۲.۲۶ درصد بود.[2]

مدل Phonon 31m با وجود حجم بسیار کم، نرخ خطای کمتری نسبت به مدل‌های رقیب مانند Kokoro دارد.

حریم خصوصی و اجرای کاملاً آفلاین

مهم‌ترین مزیت Phonon حفظ مطلق حریم خصوصی داده‌ها است. از آنجا که فرآیند استنتاج کاملاً روی سخت‌افزار کاربر اجرا می‌شود، متنی که برای تولید صدا استفاده می‌شود هرگز از دستگاه خارج نمی‌گردد. در هیچ مرحله‌ای از این فرآیند، هیچ سرور خارجی دخالت ندارد.[2]

این قابلیت آفلاین، درهای جدیدی را برای محصولاتی که با محدودیت‌های حریم خصوصی مواجه‌اند باز می‌کند؛ از جمله دستیارهای صوتی پزشکی، ابزارهای امن سازمانی و اسباب‌بازی‌های آموزشی کودکان. همچنین تضمین می‌کند که رابط صوتی در محیط‌هایی با اتصال ضعیف یا بدون اینترنت، کاملاً عملیاتی باقی بماند.[2][6]

جامعه توسعه‌دهندگان از هم‌اکنون ادغام Phonon در اکوسیستم‌های محلی را آغاز کرده‌اند. به عنوان مثال، موتور بازی‌سازی Godot اکنون دارای یک افزونه Phonon است که به شخصیت‌های غیرقابل بازی (NPCs) اجازه می‌دهد در طول گیم‌پلی، بدون نیاز به آنلاین بودن بازیکن، دیالوگ‌های پویا و بومی تولید کنند.[7]

به طور مشابه، پلتفرم متن‌باز خانه هوشمند Gladys Assistant در اواخر اکتبر ۲۰۲۶ پشتیبانی از Phonon را به سیستم خود اضافه کرد. این ادغام به هاب خانه هوشمند اجازه می‌دهد تا اعلان‌های صوتی را از طریق یک برد Raspberry Pi پخش کند و به طور کامل از بلندگوهای هوشمند مبتنی بر فضای ابری بی‌نیاز شود.[6]

شبیه‌سازی صدا و ابزارهای توسعه

فراتر از صداهای پیش‌فرض تعبیه‌شده که شامل ۳۷ صدا برای مدل 31m و ۱۰۲ صدا برای نسخه چندزبانه است، Phonon از شبیه‌سازی پویای صدا نیز پشتیبانی می‌کند. توسعه‌دهندگان می‌توانند یک صدای مرجع را از طریق یک فایل صوتی کوتاه و با رضایت صاحب صدا، در تمامی پنج زبان پشتیبانی‌شده شبیه‌سازی کنند.[2]

شرکت Gradium همچنین قابلیت طراحی صدا را از طریق پلتفرم Gradium Studio فراهم کرده است. کاربران می‌توانند صدای دلخواه خود را با متن ساده توصیف کنند، پروفایل صوتی را بسازند، فایل نهایی را دانلود کرده و آن را مستقیماً در محیط اجرای محلی Phonon بارگذاری کنند.[2]

محیط اجرای این مدل بسیار انعطاف‌پذیر است. این محیط که با زبان برنامه‌نویسی Rust نوشته شده، بدون نیاز به پیش‌نیازهای سنگینی مانند PyTorch کار می‌کند. این سیستم از زبان‌های Python، Swift و C++ پشتیبانی می‌کند و حتی می‌تواند مستقیماً در مرورگر وب با استفاده از WebAssembly و WebGPU اجرا شود.[2][3]

با کامپایل شدن به WebAssembly، مدل Phonon به توسعه‌دهندگان وب اجازه می‌دهد برنامه‌های صوتی تعاملی بسازند که در آن، مدل تنها یک بار در حافظه پنهان مرورگر دانلود شده و به صورت محلی در همان تب اجرا می‌شود. هم‌اکنون یک افزونه کروم برای بلند خواندن صفحات وب با استفاده از این روش ساخته شده است.[2][4]

تصویرسازی: توسعه‌دهندگان در حال ادغام Phonon در موتورهای بازی‌سازی و پلتفرم‌های خانه هوشمند هستند.

چشم‌انداز پردازش لبه در هوش مصنوعی

انتشار Phonon همزمان با حرکت گسترده‌تر صنعت به سمت هوش مصنوعی لبه (Edge AI) رخ داده است؛ رویکردی که در آن مدل‌های پیچیده به جای سرورهای متمرکز، روی سخت‌افزارهای مصرف‌کنندگان اجرا می‌شوند. این تغییر، هزینه‌های زیرساختی توسعه‌دهندگان را کاهش داده و تاخیر را برای کاربران نهایی از بین می‌برد.[3]

لارنس مورونی درباره این انتشار می‌نویسد: «صدا باعث می‌شود نرم‌افزار حضور فیزیکی داشته باشد و درهایی را برای دسترسی‌پذیری، بازی‌ها و ابزارهای بدون نیاز به دست باز می‌کند. شرکت Gradium مدل Phonon را متن‌باز کرده است... و این مدل در بهترین زمان ممکن برای کسانی که هوش مصنوعی را در لبه شبکه می‌سازند، از راه رسیده است.»[3]

در حالی که رابط‌های برنامه‌نویسی ابری از غول‌هایی مانند OpenAI و ElevenLabs همچنان بر بازار صداهای بسیار احساسی و رده‌بالا تسلط دارند، Phonon ثابت می‌کند که تولید گفتار طبیعی و کاربردی دیگر نیازی به بودجه‌های عظیم پردازشی ندارد.[1][3]

چالش بعدی برای Gradium، گسترش فهرست زبان‌های پشتیبانی‌شده به فراتر از زبان‌های اروپای غربی و متقاعد کردن مشتریان سازمانی برای خرید لایسنس مدل‌های 40m خواهد بود تا ثابت کند هوش مصنوعی لبه با وزن‌های باز می‌تواند یک مدل کسب‌وکار سودآور را حفظ کند.[2][3]

نکات کلیدی

  1. استارتاپ Gradium خانواده مدل‌های متن به گفتار Phonon را با حجم کمتر از ۷۵ مگابایت برای اجرای کاملاً آفلاین منتشر کرد.
  2. مدل پایه ۳۱ میلیون پارامتری با مجوز تجاری Apache 2.0 عرضه شده و نیازی به پردازنده گرافیکی ندارد.
  3. این سیستم با حذف مرحله تبدیل واج و استفاده از رمزگشای Mimi، اولین فریم صوتی را در کمتر از ۷ میلی‌ثانیه تولید می‌کند.
  4. اجرای محلی این مدل‌ها تضمین می‌کند که متن کاربران هرگز برای پردازش به سرورهای ابری ارسال نمی‌شود.

آنچه نمی‌دانیم

  • میزان استقبال شرکت‌های تجاری از خرید لایسنس پولی برای مدل‌های ۴۰ میلیون پارامتری و چندزبانه هنوز مشخص نیست.
  • برنامه دقیق Gradium برای پشتیبانی از زبان‌های غیراروپایی در نسخه‌های بعدی اعلام نشده است.

روند رویداد

  1. اواسط ۲۰۲۶

    توسعه فناوری پایه Pocket TTS و رمزگشای صوتی Mimi توسط آزمایشگاه هوش مصنوعی Kyutai.

  2. ژوئیه ۲۰۲۶

    ثبت نرخ خطای ۱.۰۷ درصدی توسط نسخه‌های اولیه چندزبانه Phonon در بنچمارک‌های داخلی.

  3. ۲۰ اکتبر ۲۰۲۶

    رونمایی رسمی شرکت Gradium از خانواده مدل‌های متن‌باز Phonon برای اجرای محلی.

  4. اواخر اکتبر ۲۰۲۶

    آغاز ادغام مدل‌های Phonon در پلتفرم‌های محلی مانند موتور بازی‌سازی Godot و سیستم خانه هوشمند Gladys.

توسعه‌دهندگان نرم‌افزارهای لبه 40%مدافعان حریم خصوصی 35%ارائه‌دهندگان خدمات ابری 25%
توسعه‌دهندگان نرم‌افزارهای لبه
این گروه بر اهمیت تاخیر پایین، قابلیت اجرای آفلاین و مجوز آزاد Apache 2.0 برای ساخت محصولات مستقل تاکید دارند.
مدافعان حریم خصوصی
ارزش اصلی این فناوری را در عدم ارسال متن به سرورهای ابری و جلوگیری از نظارت شرکت‌های بزرگ بر داده‌های کاربران می‌دانند.
ارائه‌دهندگان خدمات ابری
استدلال می‌کنند که اگرچه مدل‌های لبه سریع هستند، اما پردازنده‌های گرافیکی ابری همچنان برای حجم کاری عظیم سازمانی و کیفیت بیان احساسات برتری دارند.

دیدگاه‌هایی که این گزارش پوشش نداده

  • کاربران نهایی با سخت‌افزارهای بسیار قدیمی
  • صداپیشگان حرفه‌ای و نگرانی‌های کپی‌رایت

منابع

پوشش منابع

7 منبع

3 دیدگاه شناسایی‌شده

توسعه‌دهندگان نرم‌افزارهای لبه 40%مدافعان حریم خصوصی 35%ارائه‌دهندگان خدمات ابری 25%
  1. [1]MarkTechPostارائه‌دهندگان خدمات ابری

    Gradium Open-Sources Phonon: A Family of Small Text-to-Speech Models Built to Run on the Device

    مطالعه در MarkTechPost →
  2. [2]Gradium

    Phonon: Open On-Device Text to Speech from Gradium

    مطالعه در Gradium →
  3. [3]Laurence Moroneyتوسعه‌دهندگان نرم‌افزارهای لبه

    Gradium has open-sourced Phonon

    مطالعه در Laurence Moroney →
  4. [4]Creative AI Showارائه‌دهندگان خدمات ابری

    Phonon TTS Is Free and Apache 2.0: A 65 MB AI Voice That Runs in Your Browser

    مطالعه در Creative AI Show →
  5. [5]Hugging Face

    phonon-40m English

    مطالعه در Hugging Face →
  6. [6]Gladys Assistantمدافعان حریم خصوصی

    Offline text-to-speech: Gladys speaks with Gradium's Phonon voices

    مطالعه در Gladys Assistant →
  7. [7]Godot Engineتوسعه‌دهندگان نرم‌افزارهای لبه

    Phonon TTS by Gradium

    مطالعه در Godot Engine →
گوش‌ دهید

نظرات

همیشه در جریان باشید

هر زاویه. هر روز.

اخبار هوش مصنوعی با پوشش کامل منابع و تحلیل دیدگاه‌ها، هر روز و رایگان.