Ollama 上线本地语音合成：首个语音模型 Phonon，英文权重 Apache 2.0 可商用
Ollama 10 月 24 日上线首个语音模型 Phonon：Mac 本地合成语音，英文权重 Apache 2.0 可商用，40M 版不可商用。
Ollama 在 10 月 24 日随 v0.40.11 加入了语音生成能力，这是这个本地模型运行时的第一个语音模型：Phonon，一个来自巴黎与硅谷语音公司 Gradium 的小参数文本转语音家族。在 Apple Silicon Mac 上把 Ollama 升到 0.40.11 或更高，执行 ollama run phonon "Hello from Ollama." 就能本地出声；应用侧则拿到一个 OpenAI 兼容的 /v1/audio/speech 端点。授权在发布当天就划出了商用分界：默认的 phonon 标签（31M 参数英文模型）按 Apache 2.0 开源，可以进产品；40M 参数的法语、德语、西班牙语、葡萄牙语与多语言版本全部是 CC BY-NC 4.0，只限非商业用途（据 Ollama 官方博客与模型库页面）。
要点
- 首发阵容：Ollama 首个语音模型是 Gradium 的 Phonon TTS 家族，随 v0.40.11 上线（GitHub release 显示发布于 2026-10-24T00:30:13Z），目前仅限 macOS，Windows 与 Linux 支持官方称「即将推出」。
- 商用分界：31M 英文权重 Apache 2.0 可商用；40M 全系（法、德、西、葡与五语多语言版）CC BY-NC 4.0 不可商用——非英语要进产品，今天经 Ollama 没有合规路径。
- 接入方式：CLI 一条命令直接朗读，应用走 OpenAI 兼容端点，改个 base URL 就能接现有代码；输出 24 kHz 单声道 WAV 或原始 PCM。
- 模型前史：Phonon 权重 10 月 20 日已由 Gradium 自己开源，Ollama 集成是第二阶段——把「能下载」变成了「一条命令能跑」。
背景
Phonon 不是为 Ollama 而生的新模型。Gradium 在 10 月 20 日的博客《Open-Sourcing Phonon》里已经放出了全套权重：31M 与 40M 两档，英文版 Apache 2.0，其余 CC BY-NC，权重在 Hugging Face、推理代码在 GitHub（gradium-ai/xn-ptts）。当时的发布口径是设备端优先——MacBook Air M5 的纯 CPU 上首音频延迟 7 毫秒，树莓派 5 上 38 毫秒、3.7 倍实时，官方称不需要显卡。Gradium 本人是 Kyutai 系创业公司：由前 DeepMind 与 Meta 研究员创办，2026 年 7 月把种子轮扩到 1 亿美元，新投资人名单里有 NVIDIA。
Ollama 这一步做的是运行时集成：模型进它的模型库（14 个标签，页面上线两天即 1.61 万次下载），MLX 加速走 Apple Silicon，再把语音挂进 ollama run 的交互和 HTTP API。我们 10 月 22 日报道过 Recursive 的编程模型 Flint 上架 Ollama 的 flint 标签，这次的 Phonon 是同一个动作在语音方向的重演——对本地模型生态来说，ollama run <模型名> 正在变成「能跑什么」的事实清单。
事实部分
性能数字全部来自 Ollama 官方博客的自测，截至发稿没有第三方复测：在一台 M5 Max MacBook Pro 上，45 秒语音、10 次取中位，Ollama 经 MLX 比「次快的引擎」——Gradium 自家的 ptts runtime——快 35%；词错率与 Hugging Face Transformers 参考实现在同一水平（200 句 Seed-TTS 英文测试集、Whisper large-v3 转写核对）。对照的另一组数字来自 Gradium 自己的发布：31M 版在 500 句「难文本」（电话号码、邮箱、邮编）测试集上词错率 1.70%，好于 Kokoro 的 3.50%。
| 项目 | 情况（2026-10-27 核对） |
|---|---|
| 上线时间 | 2026-10-24，随 Ollama v0.40.11 |
| 平台 | 仅 macOS（Apple Silicon）；Windows、Linux 官方称即将支持 |
| 默认模型 | phonon（31M 参数，英文，Apache 2.0，下载约 104 MB） |
| 40M 系列 | 法、德、西、葡与五语多语言版，CC BY-NC 4.0，均 148 MB 内 |
| 声音 | 默认英文版一个 default 声；更多声音来自 Gradium 的 Hugging Face 声音目录 |
| API | OpenAI 兼容 /v1/audio/speech（端口 11434），支持流式，24 kHz 单声道 WAV 或 PCM |
| 单次上限 | 4096 字符，ollama run 会在段落与句子边界切分长文本 |
| 速度 | 官方称 M5 Max 上较 Gradium ptts 快 35%（45 秒语音、10 次中位） |
授权分界
这次发布最要紧的线画在许可证上。How2Shout（H2S Media）的分析把话说得直接：「今天经 Ollama 没有非英语 Phonon 的商用路径」——31M 档只有英文，想说法语、德语、西班牙语或葡萄牙语，就只有 CC BY-NC 的 40M 版，产品化即违约。该文还提醒 NC 后缀容易被误读成「授权」而非「限制」，「这是日后花钱才能改正的错误」。覆盖面本身也有缺口：现有模型只覆盖英、法、德、西、葡五种语言，没有中文、日文，也没有任何印度语言；Gradium 的 FAQ 给的答案是定制模型另谈。
各方说法
Digital Trends（10 月 26 日）把这次发布放进「订阅墙 TTS 的替代品」框架：好用的文本转语音大多锁在订阅里，本地免费方案稀缺；作者听了 Ollama 博客页的样本后评价「听起来非常自然」——这是对官方样本的观感，不是独立实测，该文的性能与授权内容也全部转自 Ollama 官方博客。How2Shout 提到的使用怪癖值得记下：Markdown 标记会被跳过不读，而价格、符号、邮箱和网址会反着来——逐字拼读（网址念成一个个字符），日期写成「October 23」比「10/23」读得更好。9to5Mac、Notebookcheck 等 6 家以上媒体在发布后两天内跟进，以转述为主；中文科技媒体 10 月 27 日起也有跟进（新浪财经、凤凰网科技等），同样以官方口径转述为主。Hacker News 上暂无成气候的讨论帖（10 月 27 日经 Algolia 检索为零提交）。
怎么试
升级到 Ollama 0.40.11 后，三步出声：
ollama pull phonon
ollama run phonon "Hello from Ollama."
ollama run phonon > speech.wav # 加文本即可存成文件
把聊天模型的回复直接念出来也行：ollama run gemma4 --hidethinking "…" | ollama run phonon，文字是流式过去的，第一句生成完就开始播放。应用接入走 http://localhost:11434/v1/audio/speech，OpenAI SDK 只改 base URL；ollama show phonon 列出全部声音。磁盘代价很小：英文版下载 104 MB，加载后约 121 MB 内存。
编辑判断
对在 Mac 上做语音功能的开发者，这次集成的价值是把本地 TTS 的试错成本压到了一条命令：不签订阅、不上传文本、断网可用，OpenAI 兼容端点让现有代码改动几乎为零。而真正需要掂量的是语言与授权的组合——英文产品今天就能用 31M 版起步，非英语产品则要么接受不可商用的 40M 版做原型，要么去 Gradium 谈定制或 API，这条分界短期内看不到松动的迹象。两个尚未验证的地方留个心眼：35% 提速是 Ollama 自测口径，等第三方在真机上复测；多语言版的质量与英文版的差距，Gradium 自己的数据（40M 多语言版词错率 2.11% 对 31M 英文版 1.70%）也只是厂商基准。同类参照可看我们 10 月 24 日报道的 Block 的语音到语音模型 Dessa——那是绕过文本管线的另一种路线；语音管线另一端的识别，微软的流式转写模型 MAI-Transcribe-2 在延迟榜上领先，但它走的是云：经 Microsoft Foundry 与 OpenRouter 分发，并不像 Phonon 这样在本地跑。