Gradium
开放的是 31m，赚钱的是云 API

法国开放工商数据库（Recherche d’entreprises）显示：GRADIUM，SAS，SIREN 989 284 955，创建日期 2025-07-15，注册地址为巴黎 151 bis rue Saint-Honoré，法定总裁（Président）是 Neil Zeghidour。官方的说法晚一些：2026-07 的融资稿写“2025 年 9 月由 Kyutai 背后的研究者创立”，官方 X 账号页写 2025 年 9 月加入，GitHub 组织gradium-ai创建于 2025-08-28。Forbes 在 2025-10-09的报道写 Zeghidour 在 7 月登记了新公司，与工商库一致。本刊把成立时间记作 2025-07，同时保留官方的 2025-09。

创始人官方稿列了四位：Neil Zeghidour、Laurent Mazaré、Olivier Teboul、Alexandre Défossez（2025-12-02 新闻稿）。同日发布博客的头衔是 Zeghidour 任 CEO、Teboul 任 CTO、Défossez 任 Chief Science Officer、Mazaré 任 Chief Coding Officer；2026-10-21 的新闻稿里 Mazaré 署名 CTO。两份官方稿的头衔不一致，本刊没有核到换岗说明。履历有公开数据库可查：Zeghidour 是 SoundStream 的第一作者（arXiv 2107.03312，Google），Défossez 是 EnCodec 的第一作者（arXiv 2210.13438，Meta），Mazaré 在 huggingface/candle 的贡献者榜上提交数最多（1,603 次），其 GitHub 页个人简介写自己是 Kyutai 与 Gradium 的联合创始人；三人都在 Kyutai 的 Moshi 论文作者表里。Teboul 官方只写了 Google Brain，其论文本刊没有核到。发布博客还写 Constance Grisoni 任 Chief Growth Officer，Eugene Kharitonov 任 Founding Scientist。

和 Kyutai 的关系，两边都说了，但说得不一样。Kyutai 官网首页把 Gradium 称为自己的首个分拆公司（spin-off）；Kyutai 团队页在 2026-10-23 仍把 Mazaré 列为 Head of Engineering、Défossez 列为 Head of Research、Zeghidour 列为 Audio Research Advisor，Teboul 不在名单里。两边都没有写兼任或离任的安排。Forbes 引知情人士称 Kyutai 会保留 Gradium 的股份，Zeghidour 说部分细节不准确；Gradium 的官方稿没有回应，本刊没有核到。Kyutai 的资助人（Iliad、CMA CGM、Schmidt Sciences）与 Gradium 种子轮里的个人投资人（Xavier Niel、Rodolphe Saadé、Eric Schmidt）重合，这是两家各自页面上的事实，本刊不对其性质下判断。

规模只能看旁证：HF 组织接口显示 4 位成员、9 个模型、2 个数据集；招聘页在招 5 个岗位（研究科学家、推理工程师、软件工程师在巴黎，客户经理和市场在巴黎或旧金山）；xn-ptts 的贡献者表里提交最多的是 davencyw（488 次，GitHub 页写所属 Gradium），其次是 LaurentMazare（166 次）。员工总数官方没有公布。

据官方博客（2026-10-20），Phonon 现在是一族模型：31m 只有英语，Apache 2.0；40m 有英、法、德、西、葡五种语言，每种语言一个模型，CC BY-NC；40m multilingual 把五种语言放进同一份权重，同样 CC BY-NC。q8 量化后的文件分别是 64 MB、74.6 MB、74.6 MB，内置声音 37 个、每种语言 12 至 37 个、102 个。HF 的公开接口在 2026-10-23 的状态是：phonon-31m-en 公开，累计下载 8,874、83 个赞；六个 40m 仓库的 license 字段是 cc-by-nc-4.0，gated 设为 auto，也就是登录并接受条款后自动放行；下载数 205 到 1,142。

官方 10-21 新闻稿（落款柏林 NVIDIA GTC）把许可写成 Apache 2.0，并把“multilingual 权重”的链接指向 phonon-31m-en，而那份权重只有英语。10-20 博客、31m 模型卡和 HF 元数据一致，写的是 31m Apache-2.0、40m 非商用，本刊以后者为准。xn-ptts 的 README也写：代码是 MIT 或 Apache-2.0 双许可，权重和声音另有条款；浏览器包没有地方传 HF token，所以只能加载 31m。商用 40m 或定制模型要联系 Gradium 销售（Phonon 产品页）。

参数量的口径要看清。31m 与 40m 是骨干加采样头，不含音频解码器：模型卡写明不含 audio tokenizer，HF 元数据里 31m-en 的 safetensors 合计 41,096,035 个参数，40m 合计 50,539,363 个，两者都含同一份 10,305,313 个 F32 参数，恰好等于单独发布的 phonon-mimi 的权重数。新闻稿拿 31m 对比 Kokoro 的 82m，比较的是不含解码器的数字对 Kokoro 的整包。推理栈 xn-ptts 是 Rust 写的，不依赖 PyTorch，覆盖命令行、Python、Swift、Android、浏览器（WASM、WebGPU）、OpenAI 兼容服务器和 WebSocket 服务器；官方同时列出 Hugging Face Transformers、MLX-Audio、LM Studio、Ollama 的集成。

官方博客写 Phonon 建立在 Kyutai 的连续音频语言模型（CALM，arXiv 2509.06926，Rouard、Orsini、Roebel、Zeghidour、Défossez）之上，并由此做出了 Kyutai 的 Pocket TTS。结构（官方描述）：一个因果 Transformer 骨干，把文本嵌入拼上说话人嵌入作前缀；分词用词表 4,000 的 SentencePiece，直接读原文、不转音素；每 80 ms 帧自回归地产生一个潜向量，由一个 flow-matching 头在一步内加噪声变成连续音频嵌入，再经 Mimi 解码器的更小变体输出 24 kHz 音频，另有一个结束预测头。31m 为 6 层、宽 512、8 头，40m 为 9 层；官方说所有模型都从更大的 Phonon 教师模型蒸馏而来，在 NVIDIA H100 集群上用 NCCL 与 CUDA Graphs 训练。教师模型的规模、训练数据和训练时长都没有公布。

这条路线和 Kyutai 同日发布的东西重叠。Kyutai 的博客（2026-10-20，作者 Manu Orsini）在约 1 亿参数的 Pocket TTS 上用蒸馏与剪枝做出 18.2M、6.9M、1.9M 三个更小的模型，称最大的一个与此前发布的 Pocket TTS 质量相当；单线程 CPU 上 18.2M 为 9.9 倍实时，已发布的约 100M 为 2.8 倍，评测在 LibriSpeech test-clean（1,127 句）上用 WER、UTMOS 与说话人相似度，Kyutai 自己的参数口径含解码器。Phonon 博客把这篇文章列为进一步小型化的参考文献。两家的参数口径、评测集、机器都不同，本刊不拿它们直接比大小或质量，只记下一件事：小而可用的 TTS 同一天在两个相关团队各发了一次。

工程上，xn-ptts 构建在 Gradium 自己的极简推理框架 xn（Apache-2.0，2026-02 创建，94 星）之上，组织仓库列表里还有 Gradbot（Apache-2.0，130 星）、客户端库和示例。

速度（公司自测，官方博客）：MacBook Air M5、macOS 26.7.1，4 线程 CPU、无 KleidiAI 时，31m 首音频 6.9 ms、29.9 倍实时，40m 为 8.8 ms、27.9 倍；Kokoro 为 517 ms、10.9 倍，Magpie 为 239 ms、2.32 倍。树莓派 5 上 31m 首音频 38 ms、3.7 倍实时，Kokoro 要 7 秒才开口。测试句是约 5 秒音频的一个英文句子，取 10 次中位数。博客自己的脚注写了三个条件：首音频时间包含文本提示，但不含一次性的声音条件编码；Kokoro 不流式，所以它的“首音频”是整句合成完；Kokoro 和 Magpie 用默认设置、取各自最快的配置。所以 7 ms 对 517 ms 比的是“流式首帧”对“整句出完”。xn-ptts 的 README 给树莓派 5 单核的数字是 2.3 倍实时、68 ms，与博客的 3.7 倍、38 ms 不同，来源未说明。合作方数字（Arm 测得 28 ms 首音频，Qualcomm 称 Snapdragon 8 Elite Gen 5 上 7.5 ms）同样是在官方稿里转述的。

质量有两套。盲听：官方称与 Kokoro、Magpie、NeuTTS、Pocket TTS 做两两盲听，每种语言一轮，共 1,189 名评审、17,270 票，称评审是独立听众，没有写招募方式和评分算法。模型卡的逐语言表加总是 1,180 人、17,070 票，比博客少 9 人、200 票；英语 Elo：31m 2098、40m 2117、40m multilingual 2097，Kokoro 2043，NeuTTS 2034，Magpie 1939，法、德、西、葡四种语言的 Phonon 同样领先。博客里的英语“质量对大小”图纵轴标的是“Elo, best voice”，即每个模型取最好的一个声音；图里有 Pocket TTS（约 100M 约 2055，另有一个 15.6m 的点约 2000，本刊没有找到这个 15.6m 的出处），但模型卡的 Elo 表里没有 Pocket TTS。

准确率：Gradium 自建了hard set（CC-BY-4.0，20 类、每类 25 条、5 种语言，共 2,500 行，涵盖电话、日期、金额、版本号、网址等）。英语上 LLM-WER：31m 1.70%、40m multilingual 2.11%、40m 2.22%、Kokoro 3.50%、NeuTTS Nano 8.71%、Magpie 27.51%；转写用 qwen3.8-omni-flash，评分用 gemma-4-31b-it。博客说这 500 句来自开发者发来的、现有模型会读错的难例，数据集卡则写内容是虚构的合成文本，两者没有对上。Phonon 的优势一部分来自运行时自带的文本归一化：模型卡写明走 Transformers 路径时不会把数字、金额、符号、地址读成文字。在公认的 Seed-TTS 英语集上，31m 的 LLM-WER 是 0.51%，落后于 Kokoro 的 0.45% 和 Magpie 的 0.46%，40m 与 Kokoro 并列 0.45%。

自定义声音在开放包里没有本地路径。phonon-mimi 的配置里 encoder_config 是空的，只发了解码器；README教你克隆声音的做法是运行 clone-voice.py，脚本的开头写明它调用 Gradium API 克隆声音并下载为 Phonon 声音文件，需要 Gradium 的 API key，克隆出的声音保存在你的 Gradium 账户里；官方新闻稿里 Mazaré 的话也是需要声音克隆或声音设计时，再连接 Gradium API。对比 Kyutai 的缩小版 Pocket TTS，Kyutai 的页面写本地运行时可以用任意音频样本克隆声音。本刊没有在 README 里找到 Phonon 在本地从音频克隆的路径，这一点是本刊的读法，不是官方表述。预置的 102 个声音在 phonon-voices 里，Apache-2.0。

训练数据没有披露：博客与模型卡都没写 Phonon 的训练语料及其许可，本刊没有核到。能找到的唯一旁证是 Acolad 的合作稿写 Gradium 购买其多语数据与标注服务。商业模式上，04 月的私测稿写的是按设备收授权费的定制二进制；10 月的开放版则把 31m 放给所有人商用，把 40m 与多语放在非商用加登录后面，并把声音定制导向云 API。这个读法是本刊的判断，依据是上面这些许可与脚本；官方的说法是用开放权重让社区做出新的语音应用。

使用规范写在 31m 模型卡里：不得冒充真人、不得欺骗听众说话人身份、不得未经同意克隆声音，并在相关时告知听众语音是合成的。云端的服务条款（2026-10-19 版）禁止未经授权冒充他人或企业，要求客户取得被克隆者的同意；法务 FAQ写明同意的收集与留存是客户的责任，并称不用客户内容训练模型，除非客户授权或主动提交（条款第 6.1 条的写法与此一致，启用零数据保留时不适用）。平台侧是否有同意核验、水印或滥用检测，本刊没有在这些页面和文档里读到。

产品页（公司自述）：TTS 页称首音频 P50 为 49 ms，难例通过率 81.0%（500 句、5 种语言），对比 Cartesia Sonic 3.6 的 75.1%、ElevenLabs v3 的 65.4%；声音克隆页称在英、法、西、德四种语言的 3,220 次盲听里 Elo 均高于 ElevenLabs Flash 2.5；翻译页写 20 个语言方向、平均端到端 3.0 秒。价格档：免费档 4.5 万 credits（约 1 小时 TTS），XS 每月 13 美元，S 43 美元，M 340 美元，L 1,615 美元，另有企业定制。客户稿里点名的有 Wonderful、Acolad、InteractionLabs、RMC BFM 与 Renault；合作渠道有 AWS Marketplace、LiveKit、Eden AI、AudioStack（据官方博客目录）以及文档里列出的 Pipecat、Vapi（文档索引）。官方没有公布客户数量和营收。

第三方的看法更克制。Artificial Analysis 的 Speech Arena在 2026-10-23 的榜单里有 98 个模型：榜首 Eleven v4 Turbo 1335，Gradium TTS（2026-09 版）排第 23、Elo 1176、约 2,169 次对局，（2026-08 版）第 27、Elo 1155；Kokoro 82M 排第 57、Elo 1065；Phonon 与 Pocket TTS 不在榜上。Coval 的 TTS 榜（按 p95 首音频时间排序的默认视图，数据实时变化）里 Gradium 排第 4，p95 为 96 ms，WER 1.9%。Gradium 自己的博客承认过一次测量变化：Coval 从 2026-06-03 起把开头静音计入首音频时间，没有任何模型或基础设施变动，Gradium 的数字却从 171.9 ms 变成 429.6 ms。站内的 Artificial Analysis 档案可对照该评测机构的做法。Phonon 本身没有独立评测，目前能找到的社区反馈是Hacker News 的一个帖子（20 分、5 条评论，一位用户称它比 Kokoro 小而听感相近）和 MarkTechPost的转述稿，后者复述的是 Gradium 自己的数字。

首轮：新闻稿写 7000 万美元，FirstMark Capital 与 Eurazeo 领投，DST Global Partners、Eric Schmidt、Xavier Niel、Rodolphe Saadé、Korelya Capital、Amplify Partners 等参与；发布博客还列了 Liquid2、Drysdale Ventures 和一批天使（Yann LeCun、Olivier Pomel、Ilkka Paananen、Thomas Wolf、Guillermo Rauch、Mehdi Ghissassi）。2026-07-08 延长：官方稿只写“种子轮延长到 1 亿美元，新投资人包括 NVIDIA”，没有给增量与估值；据 Sifted的标题和导语，这次新增约 3000 万美元；PYMNTS同样写估值、领投方和营收均未披露。Forbes 2025-10那篇写的是当时的谈判（约 6000 万美元），并提到 Kyutai 可能持股，上文已述。

Amplify Partners 2026-02 的博客写 Kyutai 是非营利机构，Zeghidour 是 Kyutai 联合创始人兼 Gradium CEO；Amplify 是 Gradium 的投资方，文中已披露，所以这是利益相关方的文章，本刊只取它对 Kyutai 与 Gradium 关系的描述，不取评价。

自述数字。6.9 ms、29.9 倍实时、Elo 2098、hard set 1.70%、云端 49 ms 和 81.0% 都出自 Gradium 的博客或产品页，评测集、评审、对照配置都由公司选择。第三方里只有榜单快照（Artificial Analysis、Coval）和一个小体量的社区帖子，没有对 Phonon 的独立复现。

口径冲突。10-21 新闻稿与 10-20 博客对许可的写法不同；博客与模型卡的评审人数和票数对不上；博客的 Pi 5 数字与 README 不同；参数量不含 10.3M 的解码器，而 Kyutai 同日的参数含解码器；CEO 与 CTO 之外的头衔前后不一；工商登记比官方成立时间早约两个月。本刊把它们都摆出来，不替官方选边。

“开放”的边界。只有 31m 英语版可以商用；40m 要登录接受条款且非商用；自定义声音走 Gradium 云；训练数据没有披露；上线两天内 GitHub 上有用户报告 WebGPU 路径输出损坏（NaN，时长约 2 倍）和 wasm 缺少第三方许可证声明，两个 issue 当时都未关闭，是个人用户的报告，未经项目方确认；HF 讨论里已有用户求中文版。

本刊没有核到的有：延长轮的官方金额、各轮估值与投资人金额；Kyutai 是否持有 Gradium 的股份；员工总数；营收与客户数量；Teboul 的论文与职责、Mazaré 头衔变化的原因、三位创始人与 Kyutai 的兼任安排；Phonon 教师模型的规模、训练数据与许可；盲听评审的招募方式与 Elo 算法；图中 Pocket TTS 15.6m 的出处；SOC 2 与 ISO 27001 的审计报告原文；美国实体；MarkTechPost 的全文以外的独立媒体评测。本刊也没有亲手运行 Phonon，上述对它的描述依据官网、HF、GitHub 与合作方的说明。