Phonon 離線語音模型開放權重：31M、40M 怎麼選，台灣開發者能用在哪裡？

讓 App 把一段文字念出來，看起來很簡單，但如果每次都得連到雲端，網路不穩就可能讓體驗中斷。Phonon 受到關注，正是因為它把產生聲音的工作搬到使用者裝置上。

文字轉語音的英文簡稱是 TTS，也就是讓電腦把文字變成可播放的聲音。當模型和聲音檔已下載，就能在裝置內執行，因此離線情境也有機會繼續朗讀。

Gradium 在 2026 年 10 月 20 日開放這個模型家族的權重，包含 31M 與 40M 規模。M 代表百萬參數，參數是模型學習後留下的數值。規模較小，通常較容易放進資源有限的產品。

但台灣開發者要先注意兩個條件。31M 版本支援英文，採 Apache 2.0。40M 涵蓋五種歐洲語言，採限制商用的 CC BY-NC，官方並未把中文列進現成支援清單。

因此，這次更新對英文朗讀、離線遊戲角色與裝置互動很有研究價值。若目標是直接推出中文客服，仍要另找合適語音模型，不能把小尺寸與離線能力當成語言支援的保證。

先分清語音合成負責哪一段，才知道它能替產品省下什麼，也才能看懂後面的速度數字。

Phonon 解決什麼？離線語音和完整語音助理差在哪裡？

Phonon 解決的是把文字念出來這一段。產品先取得要說的文字，再交給模型產生聲音，這個工作可以跟文字內容如何產生分開安排。

例如運動 App 已經知道使用者完成幾次動作，只要朗讀次數與提示，就可以把語音合成留在手機內。因為文字由 App 自己決定，所以這種情境不一定需要先呼叫大型聊天模型。

但如果使用者要開口問問題，產品還要聽懂錄音、理解意圖與決定回答。這些步驟若仍在雲端執行，整套助理就不能因為朗讀部分在本機，而宣稱完全離線。

依 Gradium 官方產品說明，模型與聲音檔下載完成後，文字及產生的聲音可以留在裝置。這項能力有助於減少文字送出裝置的需求，但仍要看 App 其他功能是否另外上傳資料。

不連網帶來的好處，為何不只省等待？

對離線地圖、野外運動或沒有穩定網路的裝置來說，連線能否維持，本來就是功能能否使用的一部分。本機生成讓朗讀比較不依賴當下的網路狀態，所以產品可以設計更穩定的基本提示。

本機運作也可能改變成本結構。雲端通常依用量計費，裝置端則把部分計算交給使用者設備。但開發、模型下載與相容性測試仍有成本，因此不能把離線直接等同免費營運。

此外，文字留在裝置，對不方便上傳內容的場景有吸引力。不過產品是否適合處理敏感文字，仍要看實際資料流、記錄方式與其他服務，無法只由語音模型的位置決定。

這也說明選模型時，不能只比聲音像不像真人，還要先確認語言和授權能否配合產品用途。

Phonon 31M、40M 與多語言版本怎麼選？先確認授權與中文需求

選版本的第一個問題，是準備讓它念哪一種語言。現成的 31M 版本是英文，而 40M 分為單語版本與多語言版本，涵蓋英文、法文、德文、西班牙文及葡萄牙文。

單語版本一次針對一種語言，多語言版本則用同一組權重處理五種語言。對需要服務不同語言使用者的 App，後者可能較方便，但仍要實際測試各語言的聲音與混合文字。

以下是本次官方列出的主要差異，尺寸採官方壓縮權重的標示，不能視為 App 執行時的全部記憶體需求。

表中的授權差異會直接影響能否放進收費或商業產品。開放下載權重，與所有版本都能不受限制商用，是兩個不同問題，所以應在開發前先選定版本。

台灣 App 可以直接用來念中文嗎？

本次官方支援清單沒有中文，因此不能預設它能穩定朗讀繁體中文。即使偶爾能發出接近的聲音，也不代表在姓名、地址、數字或長句上已有可用品質。

若產品介面是中文，但只需要朗讀英文單字，仍可能符合用途。這時應把需求寫成英文朗讀，而不要擴張成全中文語音助理，才能避免使用者對功能產生錯誤期待。

官方提供客製模型的洽詢管道，但客製是否可行、需要多少資料與費用，都要另外確認。現成釋出的能力，與未來可談的合作，應分開規劃。

版本選定後，再來比較辨識錯誤率與聽感，才不會為了漂亮數字選到無法使用的授權或語言。

Phonon 官方 1.7% 錯誤率代表什麼？為何仍然需要人工聽？

官方的 1.7% 指字詞錯誤率，也就是把合成聲音再轉成文字後，與原稿比對差了多少字詞。這能協助觀察漏念、念錯或額外加入內容，但無法完整代表自然度。

依 Gradium 發布文章，這份測試使用每種語言 500 句困難文字，包含開發者回報容易念錯的電話、郵遞區號與其他結構化內容。1.7% 對應其中的英文 31M 結果。

因為題目刻意挑選難例，所以它能幫助開發者理解某類弱點改善多少。但測試集的語言與內容有限，無法直接轉成所有文章、所有聲音或所有裝置的日常錯誤比例。

一段內容念得正確，還可能哪裡不好聽？

聲音可能把每個字念對，卻在語氣、停頓或重音上不符合情境。客服提示需要清楚，故事角色可能需要表情，因此同一份文字正確率，無法替不同產品選出最好的聲音。

反過來，聲音聽起來流暢，也可能把數字或名稱念錯。這類錯誤若出現在帳號、預約時間或商品規格，就會影響使用者理解，所以不能只憑幾句自然的展示音檔決定導入。

測試時可以把常見短句、少見名稱和長句分開。每一類都保留原稿與音檔，再記錄是否漏念、停頓是否合理，以及使用者能否在正常播放速度下理解。

對需要無障礙朗讀的產品，還應找實際使用者試聽。因為資訊是否清楚、連續閱讀是否疲勞，與模型榜單上的分數並不完全相同。

語音品質確認後，接著要測的是整個 App 從點下按鈕到開始播放，需要等待多久。

數字讀法為何需要文字正規化？

同一串數字可能代表電話、時間或版本，讀法會不同。官方的文字正規化會先把這類內容整理成適合朗讀的形式，因此產品應測試數字在不同上下文中的表現。

例如版本 3.10 與小數 3.10 的意思不同，不能只測孤立數字。把實際句子一起交給模型，再核對使用者聽到的內容，才能知道系統有沒有選對讀法。

Phonon 的 7 毫秒首音能直接變成 App 體感嗎？冷啟動與播放也算時間

首音延遲指系統收到文字後，到產生第一段聲音所需的時間。它與整段音檔完成時間不同，所以看到 7 毫秒，不能理解成長文章在這麼短的時間內就已全部念完。

官方在 MacBook Air M5 中央處理器的四執行緒串流路徑，測得約 6.9 毫秒首音，四捨五入約為 7 毫秒。中央處理器是執行一般程式的晶片，這個結果顯示小模型不一定需要獨立顯示卡。

不過使用者第一次開啟功能，還可能需要讀取模型、準備聲音檔和建立播放管線。官方也說明首音測量不包含一次性的聲音條件準備，因此完整 App 的首次等待應另行量測。

模型檔案小，也不代表執行時只占相同大小的記憶體。載入、計算中間資料與播放緩衝都可能需要額外空間，因此應在目標裝置量測整個程序的使用量。

若產品會同時開啟相機或其他模型，更要一起測。因為單一功能獨立執行時很順，並不代表資源競爭時仍能不中斷朗讀，這會直接影響離線能力能否可靠融入現有 App。

離線產品還要測什麼？

至少要分開觀察首次使用與後續使用。首次下載的時間和檔案大小，會影響使用者是否願意啟用。模型已在記憶體中的連續朗讀，則比較接近日常反覆使用的速度。

手機還要看耗電與發熱，因為長時間朗讀可能與拍照、導航或其他功能同時進行。若只測一個短句，就很難知道半小時使用後的速度與體驗是否相同。

瀏覽器環境也要另外測。頁面重新載入、背景分頁、裝置資源不足，都可能影響模型是否保留與聲音是否順利播放，所以桌機的示範結果不能直接當成手機網頁的驗收結果。

對使用者最有意義的數字，是按下朗讀後多久開始聽見、能否不中斷，以及裝置負擔是否可接受。把這些數字一起記錄，才能看出離線運作的實際好處。

Phonon 適合哪些情境先試？從固定文字走向動態朗讀

固定提示是比較容易起步的用途，因為文字內容已知，開發者可以逐句試聽並確認問題。運動提示、遊戲中的狀態回報，以及離線教學中的英文示範，都能先用有限內容驗證。

若內容完全固定，預先錄音也可能是更簡單的選項。模型的價值通常出現在文字會改變、句子組合很多，或產品需要依現場狀態產生新提示的時候。

例如遊戲可以根據玩家狀態組合提示，不必為每種排列錄製一份聲音。但角色語氣是否穩定、不同情境是否有不適合的情緒，仍需要內容與聲音一起測試。

怎麼設計第一輪試用？

可以先選幾十句代表性文字，包含平常句、數字、縮寫與容易誤讀的詞，再在目標裝置測。因為目標是決定是否適合自己的產品，所以題目應來自產品內容，而非只挑官方展示句。

接著把不可接受的錯誤寫清楚。例如金額或時間念錯必須修正，語氣略平則可能可以接受。有了不同等級，團隊才不會只用「好聽」或「不好聽」討論。

若要加入自行設計或複製的聲音，還要取得聲音使用的正當同意。模型能執行聲音檔，只代表技術能力，不能代替人物對使用方式的授權。

對台灣團隊而言，最務實的起點是先確認英文或五語需求，再測小範圍朗讀。當語言、授權與裝置條件都對上，離線能力才會轉成使用者感受得到的功能。

語音產品若還需要聽懂使用者與完成任務，可以再對照完整語音代理的工作流程，避免把朗讀模型的表現當成整套系統能力。

延伸閱讀：PersonaPlex 語音 AI 解析：NVIDIA 邊聽邊說模型，客服導入前要測什麼

延伸閱讀：Google 上架免費離線 AI 語音輸入 App：說完自動整理、不需訂閱

Phonon 常見問題 FAQ

Phonon 所有版本都可以免費商用嗎？

31M 採 Apache 2.0。40M 與多語言版本採 CC BY-NC，商業使用需要另向官方確認條件，不能把整個家族當成相同授權。

它可以取代語音辨識嗎？

它負責把文字變成聲音。把錄音轉成文字的語音辨識，是另一個步驟，完整語音助理通常需要把多個功能接起來。

下載模型後還需要網路嗎？

模型與聲音檔下載完成後，語音生成可以離線執行。但 App 的其他功能是否需要連線，仍取決於產品如何設計。

適合先做離線朗讀原型，中文產品要另看語言條件

有英文動態朗讀需求、需要離線工作，並能針對目標裝置測試的團隊，適合先用小模型做原型。需要現成中文品質或五語商用授權的團隊，則要先處理這兩個前提，再投入整合。

這次更新讓語音不必每次都經過雲端，但產品是否更好用，仍要由實際文字、聲音與裝置共同決定。歡迎免費訂閱 AI 郵報，持續追蹤裝置端 AI 的功能與限制。

資料來源：Gradium 開放權重公告、官方模型與授權比較、官方推論程式庫。