İçindekiler
Hugging Face, 5 Kasım 2026'da yayınladığı blog yazısıyla Gradium'un Phonon adlı metinden sese (TTS) modelini ayrıntılı biçimde tanıttı. Modelin ayırt edici özelliği kalite değil, çalıştığı yer: sunucu yok, ağ yok, metin cihazdan çıkmıyor.
Neden cihaz üstü ses?
Bugün kullanılan sesli asistanların neredeyse tamamı bulutta çalışıyor: her cümle bir sunucuya gidip geri dönüyor. Bu hem gecikme hem de gizlilik açısından bir taviz. Phonon, sesi doğrudan cihazda üretiyor; internet kesildiğinde de çalışıyor ve yazılan metin cihazdan çıkmıyor.
Bu yaklaşımın bilinen sorunu, küçük modelin ya kötü ses vermesi ya da iyi ses için büyüyüp cihaza sığmaması. Gradium, Pocket TTS hattını temel alıp akış eşleme (flow matching) yöntemiyle bu dengeyi kurduğunu söylüyor. Şirket, eğitimin ilk aşamada sayısal olarak kararsız olduğunu ve beş dilde kaliteli sonuç için birkaç ek tekniğin gerektiğini de açıkça belirtiyor.
Ne yayınlandı?
- İki boyut: yaklaşık 65 MB ve 75 MB.
- Beş dil: İngilizce, Fransızca, Almanca, İspanyolca, Portekizce.
- Sesler: 100'den fazla hazır ses; kendi sesinizi Gradium Studio'da klonlayabilir veya metinle tarif ederek oluşturabilirsiniz.
- Lisans: Phonon 31m (İngilizce) Apache 2.0 — ticari ürünlerde de serbest. Phonon 40m (beş dil) CC BY-NC, yani ticari olmayan kullanım için ücretsiz.
- Platformlar: telefon, dizüstü, tek kart bilgisayarlar ve tarayıcı sekmesi.
Model, çoğu TTS sisteminin zorlandığı ayrıntılarda da iddialı: telefon numaraları, tarihler ve kodlar. Türkçe kullananlar için kritik not: yayınlanan beş dil arasında Türkçe yok. Gradium, Korece, Arapça ve Japonca için özel eğitim yapabildiğini belirtiyor; Türkçe de aynı yolla talep edilebilir ama hazır model olarak henüz mevcut değil.
Benchmark: hız tarafı net
Hugging Face'in Open TTS Leaderboard'u 23 dilde anlaşılırlık, hız ve doğallık ölçüyor. Phonon'un sonuçları:
- Anlaşılırlık: Almanca ve İspanyolca'da birinci; değerlendirilen her dilde ilk üçte, kendisinden 100 kat büyük modellerle birlikte.
- İlk ses süresi (CPU, 95. yüzdelik): Phonon 31m 28 ms, Phonon 40m 38 ms. Aynı hattın önceki modeli Pocket TTS 165 ms; Kokoro 82M ise 2.300 ms civarında.
Yani hız farkı birkaç kat değil, iki mertebe. Bu, cihaz üstü bir asistanın "düşünüyor" hissi vermeden konuşmasını sağlayan türden bir fark.
Geliştirici tarafı
Gradium, model için ptts adında yeni bir çıkarım çerçevesi yazmış: CPU (Intel, Arm, WebAssembly), GPU (CUDA, Vulkan, Metal, WebGPU) ve NPU (Apple Core ML, Snapdragon) dahil 10'dan fazla arka uç destekliyor. Ayrıca Phonon, Transformers v5.21'den itibaren kütüphaneye girdi; bu sürüm toplu üretim ve torch.compile ile veri seti ölçeğinde ses sentezlemek isteyenler için referans uygulama.
Ekosistem tarafında da hareket var: tarayıcıda ziyaretçinin GPU'sunda çalışan ExecuTorch dönüşümü, Node.js için Micdrop entegrasyonu ve topluluk Spaces'ları. Model ilk iki haftada 200 binden fazla indirilmiş.
Sınırlar
- Beş dil var; Türkçe, Arapça, Japonca ve Korece yok.
- 31m ticari kullanıma açık, 40m (çok dilli) ise ticari kullanımda ücretli — fiyat kullanıcı sayısına göre.
- Ses klonlama rıza gerektiriyor; kötüye kullanım riski tamamen kullanıcıda.
- Doğallık metrikleri (UTMOS) sıralamasında birincilik iddiası yok; iddia hız ve anlaşılırlıkta.
Türkiye'deki geliştiriciler için anlamı
Metin gizliliği nedeniyle sesli arayüz kuramayan ekipler için (sağlık, hukuk, çağrı merkezi) cihaz üstü çalışan bir TTS gerçek bir seçenek haline geliyor. Türkçe olmadığı için doğrudan kullanılamaz; ama 31m modelinin Apache 2.0 olması, Türkçe veriyle ince ayar yapmak isteyenler için teknik bir başlangıç sunuyor. Bu ölçekte (30 milyon parametre) bir modeli kendi verinizle eğitmek, bulut TTS'e aylık ödeme yapmaktan daha hesaplı olabilir.
Sonuç
Phonon, "en iyi ses" yarışına girmiyor; "ses artık cihazda" iddiasını kuruyor. Hız verileri bu iddiayı destekliyor. Belirleyici soru, beş dilin dışına ne kadar hızlı çıkacağı — özellikle Türkçe gibi eklemeli dillerde kalitenin korunup korunamayacağı.