投稿者 投稿日: カテゴリー AIニュース
Gradiumは2026年11月、サーバー不要で動く約65MBと約75MBの音声合成モデル「Phonon」を、Hugging Faceで公開しました。
本記事は、EC支援19年・5,000社超の実績を持ち、AI導入支援は2023年から提供する株式会社オルセル（うるチカラ運営）が解説します。
Phonon（フォノン）とは、ネットワークもサーバーも使わず端末内だけで動く、小型のテキスト読み上げ（TTS）モデルのことです。Hugging Faceのブログによると、公開から2週間でダウンロード数は20万回を超えました。しかも評価では、一部の指標で最大100倍のサイズのモデルと肩を並べています。クラウドAPIに音声生成を頼る時代から、端末の中で声を作る時代へ進む流れを示す発表です。
何が起きたか 2種類のモデルが公開されました
Hugging Faceのブログは2026年11月5日付で、Gradiumによる音声合成モデルPhononの詳細を紹介しています。公開されたのは2種類で、英語のみ対応のPhonon 31mはApache 2.0ライセンスのため商用利用が可能です。一方、英語、フランス語、ドイツ語、スペイン語、ポルトガル語の5言語に対応するPhonon 40mはCC BY-NCで、非商用に限られます。サイズは約65MBと約75MBで、どちらがどちらのモデルかは記事に明記されていません。内蔵ボイスは100種類以上あります。
このモデルは、Kyutaiが公開したPocket TTSの系譜にあり、フローマッチングという生成手法を使っています。2026年4月に発表され、そこから約6か月かけて開発されたと説明されています。商用ライセンスの料金は、生成した音声の量ではなく利用者数に基づく方式です。
実行環境も幅広く、専用の推論フレームワークpttsは、CPU（Intel、Arm、WebAssembly）、GPU（CUDA、Vulkan、Metal、WebGPU）、NPU（Apple Core ML、Snapdragon）など10以上のバックエンドに対応します。Transformersのv5.21以降でも、リファレンス実装として使えます。
デモとして、Wi-Fiを切ったApple Watchでのコーヒーの淹れ方ガイドや、圏外のiPhoneでの回数カウントが紹介されています。ブログは「サーバーもネットワークも不要で、入力した内容は手元に残る」という趣旨の説明を添えています。原文は次の通りです。”It needs no server and no network, and what you type stays with you.”
なぜ重要か 初音28msと上位3位以内という結果
注目すべきは速度です。Open TTS Leaderboardは、23言語、Hugging Face上のTTSモデル9,000超を、明瞭性、速度、自然さなどで比べています。Gradiumの説明では、CPUストリーミングで最初の音が出るまでの時間（95パーセンタイル）は、Phonon 31m enが28ミリ秒で1位、Phonon 40m enが38ミリ秒で2位でした。比較対象のPocket TTSは165ミリ秒です。28ミリ秒は、人が話しかけてから返事の音が鳴るまでの体感がほぼ途切れない水準です。
明瞭性（単語誤り率）では、ドイツ語とスペイン語で1位となりました。評価した全言語で上位3位以内に入ったとも書かれています。ただし、これらはGradium側の説明に基づく数字なので、導入を検討する際は公開されているリーダーボードで最新の順位を要確認です。
もう一つの意味は、AIの置き場所が変わることです。音声合成をクラウドAPIで呼ぶと、通信遅延、従量課金、入力テキストの外部送信という3つの制約がつきまといます。端末内で動くモデルなら、この3つが同時に緩みます。とくに音声案内は、読み上げた文字数に応じて課金される形が多いため、利用が増えるほどコストが読みにくくなります。Phonon 31mのように商用可のライセンスで配られていることは、小さな事業者にとって選択肢が増えることを意味します。
今後の動き 日本語対応と独自語彙への調整
今後の予定として、Gradium Studioでの音声クローニングやテキストによる声のデザイン、顧客との共同開発によるモデルの小型化が挙げられています。言語面では、韓国語、アラビア語、日本語の追加が予定として示されました。現時点でPhononが対応する5言語に日本語は含まれていませんので、日本語の読み上げに使える状態ではありません。日本のサービスに組み込めるかどうかは、日本語対応の時期と品質次第です。
あわせて、独自の語彙へのファインチューニングも予定に入っています。商品名や型番、店舗名など、一般的な辞書にない言葉を正しく読ませる需要は根強いため、この方向性は実務に近い動きです。
注目点を整理すると、第一に、約65MBから約75MBという小ささで実用的な品質が出ていること。第二に、初音28msという低遅延が、会話型の体験を端末内で実現しうること。第三に、日本語対応が実現した時点で、国内のアプリや店頭端末、ウェアラブル機器への組み込みが現実的になることです。今のところ、日本語で試したい場合は、対応言語の拡大を待つのが現実的です。
まとめ
Phononは、端末の中だけで動く約65MBから約75MBの音声合成モデルで、Open TTS Leaderboardでは初音の速さで1位、明瞭性ではドイツ語とスペイン語で1位となりました。日本語は追加予定の段階で、現時点では対象外です。音声合成を取り巻く環境が、クラウド中心から端末内完結へ広がっていることを示す出来事として、今後の日本語対応の発表に注目しておきたいところです。
参考文献
- Hugging Face Blog: A Closer Look at Phonon TTS
- Gradium: Release Phonon open weight
- Open TTS Leaderboard（Hugging Face Spaces）
- kyutai/pocket-tts（Hugging Face）
※うるチカラでは、生成AIの導入支援から運用最適化まで、貴社のEC事業に合わせたカスタマイズ提案を行っています。無料相談（30分）も実施中ですので、お気軽にお問い合わせください。
https://uruchikara.jp/contact/
引用元: Hugging Face Blog
【監修】齋藤竹紘（株式会社オルセル代表 / 19年・5,000社のEC支援実績）
株式会社オルセル代表取締役 / うるチカラ編集長。19年・5,000社以上のEC支援実績を持ち、楽天市場・Amazon・Yahoo!ショッピング・Shopify・Shopee越境ECの実装ノウハウを保有。AI×ECに関する書籍を3冊執筆。「現場で使えるAI実装」を一次情報として発信しています。
この記事を読んだ人は、こんな記事も読んでいます
