Phonon TTS : le français est dans le 40m CC BY-NC, pas dans le 31m Apache 2.0

En une phrase : Pour un développeur français qui veut une voix sur l'appareil, le choix se joue sur la licence et la langue : Phonon 31m est en Apache 2.0, y compris pour un produit payant, mais il ne parle que l'anglais ; Phonon 40m parle français sous CC BY-NC, et un usage commercial exige une licence Gradium facturée au nombre d'utilisateurs.

Le 5 novembre 2026, Gradium a publié le même bilan sur son blog et sur Hugging Face : Phonon, sa synthèse vocale d'environ 31 à 40 millions de paramètres, tourne sur l'appareil, sans serveur ni réseau. Le sous-titre du billet annonce une voix qui « tops the benchmarks » (domine les bancs d'essai). Pour un freelance qui veut du français hors ligne, ou intégrer une voix dans un produit payant, le découpage licence / langue est le vrai choix produit — pas le communiqué. Le Latent n'a testé aucun modèle : les rangs, les millisecondes et les taux d'erreur ci-dessous sont ceux que Gradium et Underdog publient chacun de leur côté, sur des bancs différents. Pour d'autres outils du métier, voir la page Freelances.

Ce que Gradium a publié

Phonon, écrit Gradium dans son billet du 5 novembre 2026, n'a besoin ni d'un serveur ni d'un réseau : le texte reste sur la machine. Il existe en deux tailles, d'environ 65 Mo et 75 Mo. Ensemble, les modèles parlent anglais, français, allemand, espagnol et portugais. Gradium annonce plus de 100 voix intégrées, des voix personnelles via Gradium Studio (par clonage de voix ou par description), et la lecture des numéros de téléphone, des dates et des codes.

Phonon s'inscrit dans la lignée de Pocket TTS et utilise le flow matching. Gradium écrit avoir annoncé le projet en avril, puis avoir travaillé six mois avec des partenaires et des premiers utilisateurs, et revendique plus de 200 000 téléchargements les deux premières semaines.

Côté inférence, Gradium a publié le moteur ptts (processeur Intel, Arm ou WebAssembly ; CUDA, Vulkan, Metal ou WebGPU ; Core ML chez Apple et Snapdragon). Phonon est aussi dans Transformers depuis la version 5.21. Le billet donne le compteur du checkpoint gradium/phonon-31m-en : 30 788 354 paramètres, plus 10 305 313 pour le tokenizer audio. Les voix précalculées sont dans gradium/phonon-voices.

Le piège : la licence et la langue ne vont pas ensemble

Les poids sont téléchargeables, mais cela ne dit pas ce que tu as le droit d'en faire. C'est le même écart que celui décrit dans notre explicatif sur les modèles open source ou à poids ouverts, déjà vu entre une licence Apache 2.0 comme celle de Beam, publié par Reflection et une licence qui réserve l'usage commercial : un fichier récupérable n'est pas forcément libre d'emploi. Gradium le dit clairement dans le même billet :

• Phonon 31m parle anglais et est publié sous Apache 2.0, « y compris pour un produit commercial » (traduction Le Latent).
• Phonon 40m couvre les cinq langues, français compris, sous licence non commerciale (CC BY-NC). Pour un usage commercial de ces modèles, « le tarif dépend de ton nombre d'utilisateurs, pas de la quantité de parole générée » (traduction Le Latent).

La fiche du modèle phonon-31m-en, consultée le 8 novembre 2026, précise le découpage de la famille. Le checkpoint phonon-31m-en est le seul en Apache 2.0 (anglais, fichier de poids q8 de 64,5 Mo). Tous les modèles 40m — les variantes par langue, dont phonon-40m-fr, et phonon-40m-multilingual — sont en CC BY-NC 4.0, avec un fichier q8 de 74,6 Mo. Ces tailles correspondent aux « environ 65 Mo et 75 Mo » du billet. Gradium n'y publie pas le montant de la licence commerciale.

Source : billet Gradium / Hugging Face du 5 novembre 2026, fiche phonon-31m-en et fiche Underdog Woof, consultés le 8 novembre 2026. Le Latent n'a exécuté aucun de ces modèles.

Ce que dit l'Open TTS Leaderboard, et ce qu'il ne dit pas

L'Open TTS Leaderboard, présenté par Hugging Face le 30 septembre 2026, compare des modèles ouverts sur l'intelligibilité (taux d'erreur de mots ou de caractères, via Qwen3 ASR), la vitesse (facteur temps réel inversé et temps jusqu'au premier son) et, pour le clonage, une similarité de locuteur calculée sur des empreintes WavLM. Hugging Face précise que ni le taux d'erreur ni cette similarité ne mesurent directement le naturel ou la préférence d'un auditeur : le classement ne remplace pas une écoute humaine.

Dans son bilan du 5 novembre, Gradium décrit ce classement de façon proche, et ajoute une mesure de naturel (UTMOS pour l'anglais, KOMOS pour le coréen). L'éditeur affirme que Phonon arrive premier en intelligibilité en allemand et en espagnol, et dans les trois premiers de chaque langue qu'il a fait évaluer, « à côté de modèles jusqu'à 100 fois plus gros » (traduction Le Latent). Sur la vitesse, Gradium écrit que ses modèles mènent le banc CPU en flux sur le temps jusqu'au premier son.

Le graphique publié sur le blog Gradium porte cette légende : parmi les dix premiers modèles au 95e centile du temps jusqu'au premier son, Phonon 31m anglais est premier à 28 ms, Phonon 40m anglais deuxième à 38 ms, devant Pocket TTS à 165 ms. Plus le chiffre est bas, mieux c'est, d'après cette légende. Ce sont les valeurs que Gradium inscrit sous son graphique du classement, pas une mesure du Latent. La rédaction n'a pas pu les relire sur l'espace public du classement.

Gradium ne publie pas, dans le texte de son billet, les taux d'erreur de mots de Phonon sur ce classement. Le Latent ne les reconstitue pas.

L'écart avec Underdog Woof, sur un autre banc

Underdog publie de son côté Woof, une synthèse vocale anglaise à deux voix, Juno et Mira. D'après la fiche du modèle, le fichier unique pèse 40,6 Mo et tourne sur le processeur avec la seule bibliothèque numpy. Underdog décrit une architecture de 22,95 millions de paramètres pour le modèle de parole et 15,3 millions pour le décodeur audio, adapté du codec Mimi de Kyutai, soit 38,24 millions au total. L'audio est en 24 kHz, mono.

La fiche donne aussi une version à une seule voix, distincte de ce dépôt :

Source : fiche Underdog Woof, consultée le 8 novembre 2026. Ces chiffres sont les mesures d'Underdog, pas celles du Latent.

Le tableau « How Woof compares » de cette fiche est le point de comparaison avec Phonon. Underdog écrit que tous les modèles ont été exécutés et notés par ses soins, selon le même protocole, sur le jeu anglais Gradium TTS Hard Cases (500 phrases). Phonon 31m y figure à 2,16 % d'erreur de mots, pour un téléchargement de 55,1 Mo — le GGUF 4 bits, précise Underdog, donc une quantification différente des « environ 65 Mo » du q8 annoncé par Gradium. Avec Mira à 1,42 %, Underdog écrit que les erreurs de Woof sont inférieures de 34 % à celles de Phonon 31m. Les transcriptions viennent de qwen3.8-omni-flash ; les erreurs sont comptées par gemma-4-31b-it.

Ces 2,16 % contre 1,42 % appartiennent au banc d'Underdog, construit sur le jeu Hard Cases de Gradium. Ce n'est pas l'Open TTS Leaderboard. Les deux mesures ne se mélangent pas : l'une parle d'intelligibilité et de latence selon le protocole Hugging Face, l'autre d'erreurs sur des phrases difficiles (numéros, dates, codes) selon le protocole Underdog. Aucune des deux n'est un test du Latent.

Woof n'est pas un substitut libre pour un produit payant. Sa licence, l'Underdog Non-Commercial License 1.0, est gratuite pour un usage personnel, la recherche, l'enseignement et le milieu associatif, avec un crédit obligatoire. Un usage commercial — produit payant, publicité, vidéo monétisée, travail d'entreprise — exige une licence payante (license@conway.tech). Il est interdit d'entraîner un autre modèle à partir de Woof ou de son audio. Woof ne parle que l'anglais.

Quoi choisir selon ton cas

Si tu développes un outil, un jeu ou une aide vocale qui doit parler sans API et sans envoyer le texte ailleurs, Phonon répond à ce besoin d'architecture : Gradium le décrit comme un modèle qui tourne sur téléphone, ordinateur, ordinateur monocarte et dans un onglet de navigateur. La décision qui reste est juridique et linguistique.

Pour du français dans un produit à vendre, aucun checkpoint librement commercialisable ne convient : il faut Phonon 40m et une licence commerciale Gradium, facturée au nombre d'utilisateurs. Pour un prototype ou un usage non commercial en français, le 40m sous CC BY-NC suffit — la fiche du 31m pointe aussi phonon-40m-fr. Pour de l'anglais dans un produit commercial, sans négocier de licence, le 31m sous Apache 2.0 est le cas prévu par Gradium. Pour un prototype anglais centré sur les numéros et les dates, Underdog revendique, sur le jeu Hard Cases, un meilleur taux d'erreur que Phonon 31m, sous licence non commerciale et sans français.

Les chiffres de qualité et de vitesse restent ceux des éditeurs. Pour un produit vendu, lis la licence du checkpoint que tu embarques, pas seulement le communiqué.