Phonon TTS 支援中文嗎：語言、授權與部署前的核對清單

根據 Gradium 於 2026 年 11 月發布的 Phonon TTS 資料，這套模型可在 Apple Watch、iPhone 與瀏覽器端離線產生語音。發布展示中，一支關閉 Wi-Fi 的 Apple Watch 逐步口述咖啡沖煮流程；另一個瀏覽器專案 Offline FM 則讓恐龍遊戲角色 Rex 即時播報遊戲內容，另有在無訊號 iPhone 上運作的口頭計數應用 RepCoach。這些是發布方列出的應用案例，並未附上可供獨立比較的裝置效能數據。

至於中文支援一事，發布資料與 Hugging Face 模型文件均未明列完整的語言清單，也沒有提供中文測試結果。換句話說，「是否支援中文」目前無法從公開文件直接確認，需由部署者以目標語言的文本實際測試發音品質與首段音訊等待時間後才能判斷。

裝置端生成不代表全部功能離線

Wi-Fi 關閉仍能說話，說明展示情境中的模型與聲音資源已可在裝置端運作，但這不能回答長文本的等待時間、耗電量、背景執行穩定性，或低階晶片能否維持同等音質。對使用者而言，離線生成語音也不等於整個產品都離線：翻譯、登入、內容更新等環節仍可能需要網路連線。

若產品需求包含口語互動，模型生成時間還要與整個流程一起評估。語音代理的工作鏈還有辨識、推理、傳輸與播放等步驟，TTS 變快未必讓整段對話等比例縮短，部署者應先標出使用者實際等待的是哪個環節。

模型如何運作

依 Hugging Face 模型文件，Phonon 建立在 Pocket TTS 的技術脈絡上。因果式 Transformer 讀取聲音提示與文字，以每秒 12.5 個步驟輸出 32 維的音訊 latent，也就是音訊的壓縮表示；處理器內的 Mimi 音訊解碼器再將其還原為 24 kHz 音訊。模型卡另以每個 80 毫秒音訊影格描述預測過程。

生成音訊表示的方式包含 flow matching（流匹配），可理解為模型依序估計音訊表示、再交給解碼器播放；串流模式會在後續音訊仍在生成時，先提供已完成的片段。因此首段音訊何時抵達是重要指標，但最終聽感仍受文字正規化、聲音選擇、長句切分與播放端緩衝影響。

授權與聲音複製的限制

Hugging Face 文件指出，Phonon 的聲音提示以預先計算的 latent 提供，模型所用的 speaker codec 並未釋出，因此無法直接拿一段錄音在這個解碼器中複製特定人的聲音。這也意味著產品團隊應把語音清單、聲音授權與個人聲音同意流程，與模型推論分開確認。

文字正規化同樣需要自行處理。模型不會自動把所有數字、金額、符號或地址改寫成自然口語，文件建議在輸入前先完成這些轉換。

兩種部署路徑

Gradium 的 ptts 推論框架針對單一裝置上的串流推論，列有 CPU、WebAssembly、CUDA、Vulkan、Metal、WebGPU、Core ML 與 Snapdragon NPU 等後端；Transformers 則提供 PyTorch 參考實作，文件稱可用於批次生成與 GPU 吞吐工作。前者較貼近產品端的本機串流整合，後者較適合研究、批量合成或在 PyTorch 生態中延伸，實際支援仍取決於裝置、模型版本與整合方式。

部署前可核對的項目

綜合發布資料與模型文件，評估 Phonon TTS 至少要逐項確認：目標語言的實測發音結果（包括中文）、聲音清單與授權條款、目標硬體是否有對應後端、首段音訊等待時間、長文本與耗電表現，以及應用程式載入與更新模型的方式。榜單名次與「能離線」本身，都不足以回答這些問題；在發布方提供獨立可比較的效能數據之前，這些條件只能由部署端自行驗證。