ネット不要でスマホで動く音声読み上げAI「Phonon」公開、2週間で20万DL

端末上で完全に動作する軽量な音声合成モデル「Phonon」が公開された。サーバーとの通信を必要とせず、入力したテキストを外部に送信することなくオフラインで音声を生成できる。公開から2週間で20万回以上のダウンロードを記録し、AIモデル共有プラットフォームのHugging Face上で注目を集めている。

多くの音声AIはクラウド上で稼働しており、利用するたびにサーバーとの往復通信が発生する。一方、小型端末向けのモデルはサイズを小さくすると品質が落ち、音質を高めようとすると端末に収まらないという課題を抱えていた。Phononは2026年4月に初期構想が発表され、約6か月間にわたりパートナーや初期利用者とともに改良を重ねてきた。

モデルのファイルサイズは約65MBと約75MBの2種類が用意されている。音声生成には「Pocket TTS」の系統を受け継ぐフロー・マッチング技術を採用した。英語、フランス語、ドイツ語、スペイン語、ポルトガル語の5言語に対応し、100種類以上の内蔵音声を備える。電話番号や日付、各種コードの読み上げにも対応するほか、Webブラウザ上のツール「Gradium Studio」を利用してテキスト指示や短い音声サンプルからカスタム音声を作成することもできる。

モデルの重みデータはオープンに公開されている。英語に対応する「Phonon 31m」はApache 2.0ライセンスが適用され、商用製品にも無償で組み込める。5言語をカバーする「Phonon 40m」は非商用利用向けの「CC BY-NC」ライセンスで提供され、商用利用時には生成量ではなく利用者数に応じた料金体系が設定されている。

Hugging Faceが新設した「Open TTS Leaderboard」による評価では、明瞭度の指標においてドイツ語とスペイン語で首位を獲得した。評価対象となった全言語でも上位3位以内に入り、最大100倍の規模を持つモデルと並ぶ性能を示した。また、最初の音声が出力されるまでの時間（time-to-first audio）を測定するCPUストリーミング検証でもトップの速度を記録した。

動作環境としては、スマートフォンやノートPC、シングルボードコンピュータ、Webブラウザのほか、Apple Watchなどでも動作する。開発チームはIntelやArm、WebAssemblyなどのCPU、CUDAやMetalなどのGPU、Core MLやSnapdragonなどのNPUを含む10種類以上のバックエンドに対応した専用推論フレームワーク「ptts」を開発した。さらに「Transformers」バージョン5.21以降からも直接利用可能となっている。開発チームは今後、メモリ制約に合わせたさらなる小型化や、日本語、韓国語、アラビア語などへの対応も進めるとしている。