A Hugging Face publicou em 5 de novembro de 2026 um texto da equipa da Gradium sobre o Phonon, um modelo de síntese de voz (text-to-speech, TTS) concebido para correr diretamente no dispositivo do utilizador. Segundo os autores, não é preciso servidor nem ligação à rede, e o texto escrito permanece no próprio equipamento. A publicação surge cerca de duas semanas depois da abertura do modelo, e a equipa descreve a receção inicial como muito positiva. O argumento central é a privacidade e a autonomia, num contexto em que a maioria dos sistemas de voz por IA envia cada frase para a nuvem.
Segundo o texto, o Phonon existe em duas dimensões, de cerca de 65 MB e 75 MB. A versão Phonon 31m fala apenas inglês e está sob licença Apache 2.0, o que permite uso gratuito, inclusive em produtos comerciais. A versão Phonon 40m cobre inglês, francês, alemão, espanhol e português, mas com licença não comercial, do tipo CC BY-NC. Os autores indicam ainda mais de 100 vozes incorporadas e a possibilidade de criar vozes próprias no Gradium Studio, além de clonagem e desenho de voz. O modelo trata também números de telefone, datas e códigos, aspetos que, segundo a empresa, falham com frequência noutros sistemas.
O lançamento foi acompanhado de demonstrações, algumas delas produzidas por terceiros. Num relógio Apple com Wi-Fi desligado, o modelo guia o utilizador passo a passo na preparação de um café, e noutra demonstração conta repetições de exercício num iPhone sem sinal. Um robô chamado Lamp, da Autonomous, fala em personagem, e um dinossauro de jogo de navegador transforma-se num programa de rádio. A equipa da Hugging Face integrou o modelo na biblioteca Transformers, e a publicação menciona também conversões para ExecuTorch e pacotes para Node.js. Segundo a publicação, o modelo foi descarregado mais de 200.000 vezes nas primeiras duas semanas.
No Open TTS Leaderboard, uma plataforma recente da Hugging Face, o Phonon é avaliado em 23 línguas quanto à inteligibilidade, velocidade e naturalidade. A plataforma compara modelos que estão no Hub, onde existem mais de 9.000 modelos TTS. Os autores afirmam que o modelo fica em primeiro lugar em alemão e espanhol na inteligibilidade e entre os três primeiros em todas as línguas avaliadas, em comparação com modelos até cem vezes maiores. Afirmam também que o Phonon lidera o benchmark de streaming em CPU no tempo até ao primeiro áudio. São resultados apresentados por quem desenvolve o modelo, pelo que devem ser lidos como indicações e não como verificação independente.
Para cobrir diferentes equipamentos, a Gradium criou a framework ptts, que, segundo a publicação, suporta mais de dez backends, incluindo CPU, GPU e NPU, como Apple Core ML e Snapdragon. Além disso, o Phonon está disponível na biblioteca Transformers a partir da versão 5.21, como implementação de referência em PyTorch, orientada para geração em lote e para criar datasets de fala em escala. Para quem desenvolve produtos com português, a combinação entre a inclusão do português no modelo de 40m e a sua licença não comercial é o ponto a analisar com cuidado.
Porque importa
Para utilizadores e programadores, o Phonon ilustra como a síntese de voz de qualidade pode funcionar localmente, o que pode reforçar a privacidade e reduzir a dependência de serviços na nuvem. A diferença de licenças entre as duas versões é decisiva para quem pensa em produtos comerciais, sobretudo se precisar de português. Como as métricas e os números de adoção vêm do próprio fabricante, a avaliação independente continua a ser o critério para decidir a adoção em projetos reais.