112MB 让本地 AI 开口说话:Ollama 上新 Phonon,我实测了一把

我的 Ollama 终于会说话了。过去一年多，Ollama 一直是我在本地跑大模型最顺手的工具，但它的输出永远停在终端里那一行行文字上——想让 AI 把内容念出来，要么接付费的云端语音接口，要么绕一圈装独立的 TTS 工具。

直到 10 月 24 日，Ollama 官方博客宣布支持语音模型，第一个上架的就是 Gradium 开源的 Phonon：一个 100MB 出头的文本转语音模型，ollama run phonon 一条命令就能让本地 AI 开口。

我当天就把这台 M2 笔记本上的 Ollama 升到最新版，把模型拉下来实测了一把。这篇把过程、数据和坑都写清楚，文末有可以直接抄走的命令清单。

Ollama phonon 模型页：40M 系列标注 123MB，默认英文 31M 版 104-113MB，输出 24kHz 音频

Phonon 是什么：一个 31M 参数就能出声的 TTS 家族

Phonon 是 Gradium 开源的语音模型家族，模型页上标的规格很直接：默认模型 31M 参数（英文），模型页上 40M 系列标注 123MB、英文 31M 版 104-113MB，输入文字、输出 24kHz 单声道音频。除了英文版，还有 40M 参数的法语、德语、西班牙语、葡萄牙语以及五语通用的多语言版。

这里有一个对普通用户很关键的区别：英文 31M 版用的是 Apache 2.0 协议，商用没问题；40M 多语言系列是 CC BY-NC 4.0，仅限非商业用途。你要是打算把本地语音接进自己的产品，选模型前先看这一行，别等上线了才想起授权的事。

另一个值得看的是官方性能数据。Ollama 博客里写了：在 M5 Max 的 MacBook Pro 上，Ollama 生成 45 秒语音的速度比 Gradium 自家运行时快 35%，数据是 10 次运行取中位。注意这是官方在 M5 Max 上测的——我这台 8GB 内存的 M2 跑出来的数据是另一回事，下面单独说。

Ollama 官方博客：首次支持语音模型，macOS 先行（2026-10-24 发布）

实测：M2/8GB 上，一条命令出声

先说结论：能跑，而且比我预想的快。

我先把 Ollama 升级到 0.40.11（官方要求 0.40.9 以上），ollama pull phonon 拉下默认模型，模型文件 112MB。然后一句命令：

从敲下回车到 wav 落盘，用了 3.81 秒——生成的音频长 6.64 秒，也就是首次运行（含模型加载）大约跑到 1.7 倍实时速度。文件是一个 318KB 的 WAV，ffprobe 显示 24kHz 单声道、pcm_s16le 编码，与官方文档一致。用音量检测看，平均 -22.5dB、峰值 -5.8dB，是正常说话的音量，不是静音也不是爆音。

第二次我换 API 通道再测，换成一句 6.16 秒的英文，0.47 秒就出音频，因为模型已经在内存里常驻——这时大约跑到 13 倍实时，念一段几百字的稿子也就几秒。

本机实测数据：M2/8GB 上首次生成 1.7× 实时，模型常驻后 13× 实时

一个必须说的实测发现：中文读不了。我拿一句中文去试，模型照样"出声"，但生成了 21 秒的音频——它在逐字符地念，不是正常读中文。这个 31M 默认版是纯英文模型，官方多语言版只有法德西葡四种语言，没有中文。中文用户目前只能等，或者拿它读英文内容。

终端输出实录：模型 112MB、24kHz 单声道、6.64 秒音频

除了读一句话，它还能接进你的工作流

Phonon 最实用的地方在于它不只是一个"读一句话"的玩具。官方文档给了三种接法，我自己跑通了存文件和 API 两种：

第一种是管道接 LLM。让本地聊天模型生成回答，直接把输出喂给 Phonon 朗读：ollama run gemma4 --hidethinking "Tell me a fun fact about owls in two sentences." | ollama run phonon。

按文档说法，回答会边生成边念，不用等整段结束——这个要另外装聊天模型，我没跑，只按官方示例写出来。

第二种是存成文件。把输出重定向到文件就是 WAV：ollama run phonon "Save this to a file." > speech.wav。服务器上没有扬声器也能用，生成的音频可以再拿去剪辑、配音。

第三种是 API 调用。Ollama 给语音模型开了 OpenAI 兼容的 /v1/audio/speech 接口，原来用 OpenAI SDK 写的代码，换个 base URL 就能指到本地：

这意味着本地语音可以像调用云端接口一样接进自己的程序，只是数据不出机器。

方法示意：文字进模型，24kHz 音频出来，全程本地

四个坑，实测前先看清

第一，授权分两套，前面已经说过，40M 多语言版不能商用。

第二，Phonon 会"照本宣科"：数字、日期、缩写不会自动展开成读法。想让它念对，得在文本里写成"twenty-one"而不是"21"。emoji、列表符号这些也会被直接跳过。

第三，单次输入上限 4096 个字符，ollama run 会自动按段落和句子拆开处理，但 API 调用超了会报错。

第四，语音模型只做语音。你拿 phonon 去问问题、要它写文章，会直接收到 400 错误——它和聊天模型是两类东西，别指望一个模型什么都干。

方法示意：本地语音免费离线，云端语音联网计费

命令速查：从零到出声

这篇实测适合谁：手上有 Apple Silicon Mac、想让本地 AI 内容"能听"的人——读英文文档、给助手回复配音、做无网络的语音播报，它都够用，而且是免费的。不适合谁：需要中文语音的（当前版本不行），或者要商用多语言语音的（40M 版授权只到非商业）。

如果你也在本机跑模型，可以拿一段英文稿子让它念出来听听效果，感受一下 112MB 的模型能跑到什么份上。有什么更好的用法和音频方案，评论区聊聊。