Modelos LLM✦ Gerado por IA

Phonon TTS: Voz de IA de Alta Qualidade Roda no Seu Dispositivo

A Hugging Face lançou o Phonon, um modelo de texto para fala que opera diretamente no seu dispositivo, sem depender de servidores ou conexão à internet. Ele se destaca pela alta qualidade de áudio e desempenho superior em benchmarks, mesmo em tamanhos reduzidos.

Edição de ·Hugging Face Blog·6 min de leitura·
CompartilharWhatsAppXLinkedInFacebook
💡

Principal Aprendizado

O Phonon da Hugging Face oferece um modelo de texto para fala de alta qualidade que opera diretamente no dispositivo, garantindo privacidade e desempenho superior sem necessidade de conexão à internet.

A Hugging Face, uma das principais plataformas de inteligência artificial, acaba de lançar o Phonon, um modelo de texto para fala (TTS) que promete revolucionar a forma como interagimos com vozes sintéticas. A grande inovação do Phonon é sua capacidade de rodar diretamente no dispositivo do usuário, eliminando a necessidade de conexão com a internet ou de processamento em servidores remotos.

Essa abordagem “on-device” garante que o texto digitado permaneça no aparelho, aumentando a privacidade e a segurança dos dados. Além disso, o modelo é notavelmente pequeno, com versões de aproximadamente 65 MB e 75 MB, e já está disponível para uso em inglês, francês, alemão, espanhol e português. A recepção inicial tem sido muito positiva, com mais de 200 mil downloads nas primeiras duas semanas.

Por Que a Voz no Seu Dispositivo é um Jogo de Virada

A maioria dos sistemas de voz com IA opera na nuvem, o que significa que cada frase precisa fazer uma viagem de ida e volta a um servidor. Isso não só introduz latência, mas também levanta preocupações com a privacidade, já que os dados de texto são enviados para terceiros. O Phonon, ao contrário, processa tudo localmente, garantindo que suas informações permaneçam com você. Essa característica é crucial para aplicações onde a privacidade é primordial ou onde a conectividade de rede é intermitente ou inexistente.

Desenvolver uma voz de alta qualidade que funcione em dispositivos pequenos sempre foi um desafio. Geralmente, era preciso escolher entre um modelo compacto, mas com áudio de qualidade inferior, ou um modelo de som excelente, mas grande demais para rodar localmente. A Hugging Face afirma ter superado essa dicotomia com o Phonon, entregando alta fidelidade de áudio em um pacote leve. O modelo é baseado na linhagem Pocket TTS e utiliza uma técnica de “flow matching” para gerar o áudio, o que o diferencia de outros sistemas TTS e permite essa combinação de qualidade e tamanho reduzido.

O desenvolvimento do Phonon durou seis meses após seu anúncio em abril, com a colaboração de parceiros e usuários iniciais. Esse feedback foi fundamental para refinar o lançamento, resultando em modelos ainda menores, mais idiomas e suporte para vozes personalizadas através de clonagem e design de voz. O Phonon também se destaca por lidar bem com elementos que costumam ser problemáticos para outros sistemas TTS, como números de telefone, datas e códigos.

Desempenho e Aplicações Práticas do Phonon

O Phonon vem em duas versões principais: o Phonon 31m, que fala inglês e possui licença Apache 2.0, permitindo uso comercial gratuito; e o Phonon 40m, que abrange os cinco idiomas sob uma licença não comercial. Para projetos comerciais com o Phonon 40m, a precificação é baseada no número de usuários, não na quantidade de fala gerada. Além das mais de 100 vozes integradas, é possível criar vozes personalizadas através do Gradium Studio.

O modelo pode ser executado em uma ampla gama de dispositivos, incluindo telefones, laptops, computadores de placa única e até mesmo em uma aba do navegador. Para demonstrar suas capacidades, a Hugging Face e seus parceiros apresentaram diversas aplicações. Entre elas, um guia de preparo de café no Apple Watch sem Wi-Fi, um contador de repetições em um iPhone sem sinal, um robô que fala com diferentes personagens, e até um jogo de ficção científica com voz gerada no próprio computador do jogador.

No Hugging Face Open TTS Leaderboard, uma plataforma para comparar modelos de texto para fala, o Phonon demonstrou um desempenho impressionante. Em inteligibilidade, ele ocupa o primeiro lugar em alemão e espanhol, e está entre os três primeiros em todos os idiomas avaliados, competindo com modelos até 100 vezes maiores. Sua velocidade é outro ponto forte, liderando o benchmark de streaming de CPU no tempo para o primeiro áudio. A Hugging Face também desenvolveu uma nova estrutura de inferência, chamada ptts, otimizada para o Phonon, que suporta mais de 10 backends, incluindo CPU, GPU e NPU, garantindo o melhor desempenho em diversos dispositivos.

O que isso muda para você

Para profissionais brasileiros que trabalham com desenvolvimento de software, criação de conteúdo ou automação, o lançamento do Phonon representa uma oportunidade significativa. A capacidade de ter um sistema TTS de alta qualidade rodando localmente abre portas para aplicações mais robustas e privadas, especialmente em setores como saúde, educação e atendimento ao cliente, onde a confidencialidade e a disponibilidade offline são cruciais. Imagine assistentes de voz que funcionam em áreas sem internet ou aplicativos que garantem a privacidade total dos dados do usuário.

Além disso, a inclusão do português do Brasil no Phonon 40m é um diferencial importante, permitindo que desenvolvedores e empresas criem experiências de usuário mais naturais e localizadas. A licença Apache 2.0 para o modelo em inglês também oferece flexibilidade para projetos comerciais, enquanto a opção de licença baseada em usuários para os outros idiomas pode ser vantajosa para startups e pequenas empresas que buscam escalar sem custos proibitivos por volume de uso. O próximo passo concreto é explorar as demos e a integração com Transformers para entender como o Phonon pode ser incorporado em seus projetos atuais ou futuros, aproveitando a privacidade e o desempenho que ele oferece.

📰 Com base em reportagem de Hugging Face Blog. Texto produzido com apoio de inteligência artificial, com curadoria e edição de Robson Benfica Conceição, com análise própria do que a notícia muda para quem trabalha no Brasil. Veja como produzimos.

📬 Newsletter Gratuita

As principais notícias de IA do dia, curadas por Robson Conceição. Grátis, todo dia no seu e-mail.

Gostou do conteúdo?

Compartilhe com quem também quer entender IA no trabalho.

CompartilharWhatsAppXLinkedInFacebook

Leia também