让手机或浏览器把文字念出来，如果每句话都要先传到云端，断网时可能失灵，开口前也多一段等待。Phonon想把这件事放回设备本地完成。TTS（文本转语音）就是把文字合成为可播放的语音；据Gradium官方公告，Phonon于10月20日开放31M和40M参数模型及推理代码，并提供Rust、Python、Swift和JavaScript/WASM接口。
它的看点不只是模型小，而是连跨硬件运行的推理栈也一起开放。官方把CPU、CUDA、Vulkan、Metal、WebGPU、Core ML和Snapdragon NPU列为目标平台，并称31M英文模型在笔记本CPU上的首段语音延迟可低至7毫秒。这里的“首段延迟”，指整句话还没合成完，用户就先听到第一小段声音，比总耗时更直接影响交互感受。
据Hugging Face模型卡，31M模型的8-bit权重为64.5 MB，采用Apache 2.0；40M权重约74.6 MB，并有五种单语及多语版本。不过40M模型标注CC BY-NC 4.0，运行时才是MIT或Apache 2.0，商业使用者需要特别分清模型与代码的许可边界。