Según MarkTechPost (AI/ML News), Gradium, empresa francesa especializada en inteligencia artificial de voz, ha liberado Phonon, un sistema de síntesis de voz (TTS) diseñado para operar directamente en dispositivos, sin necesidad de conexión a nubes ni hardware especializado. El modelo se presenta en dos versiones: una de 31 millones de parámetros y otra de 40 millones, con el tamaño de archivo de la versión más pequeña de 64,5 MB en formato q8 GGUF. La versión multilingüe, que incluye inglés, francés, alemán, español y portugués, agrupa los cinco idiomas en un solo modelo con 102 voces distintas. Ambas variantes funcionan en procesadores comunes, teléfonos móviles, Raspberry Pi 5, navegadores web (mediante WASM y WebGPU) y tarjetas gráficas NVIDIA, sin requerir uso de GPUs.
El modelo se basa en un arquitectura de transformador causal, donde el texto se procesa mediante un tokenizador SentencePiece de 4.000 elementos, sin necesidad de conversión fonética. Cada 80 milisegundos, el sistema genera un vector latente, que luego es transformado en una representación auditiva mediante una capa de flujo de coincidencia. Este proceso finaliza con la generación de audio en formato PCM de 24 kHz, mediante una versión reducida del decodificador Mimi de Kyutai. La eficiencia del sistema se mide en tiempos de respuesta: en un procesador común, el modelo entrega audio en menos de 7 milisegundos desde la primera solicitud. En pruebas internas, alcanza un error de reconocimiento de voz del 1,70% en un conjunto de 500 oraciones difíciles, superando a otros modelos abiertos como Kokoro, que registra un 3,50%. Aunque en casos extremos el error se sitúa en 0,51%, por debajo de los niveles de modelos como Kokoro y Magpie, el rendimiento general indica una calidad competitiva en entornos de uso local.
Para los usuarios peruanos, esta tecnología representa una oportunidad clave para desarrollar aplicaciones de asistentes vocales, sistemas de comunicación internos en empresas o herramientas educativas que funcionen sin dependencia de internet. En un contexto donde el acceso a servicios de nube puede ser limitado o inestable, especialmente en zonas rurales, el modelo local permite que las aplicaciones de voz operen de forma autónoma. Además, al no requerir facturación por carácter ni conexión a servidores remotos, reduce significativamente los costos operativos. Esto es especialmente relevante para pequeñas y medianas empresas que buscan soluciones sencillas y económicas para automatizar tareas de atención al cliente o generación de contenido. La disponibilidad abierta bajo licencias como Apache 2.0 y CC BY-NC 4.0 también facilita su adaptación por desarrolladores locales, promoviendo la innovación tecnológica dentro del ecosistema peruano.