Ollama, l'app che permette di scaricare ed eseguire modelli di intelligenza artificiale direttamente sul computer, ha aggiunto la sintesi vocale. La versione per Mac può ora trasformare il testo in parlato, con la prima famiglia di modelli dedicata a questo compito, chiamata Phonon. Il supporto per Windows e Linux è annunciato come prossimo, ma senza una data precisa.
Phonon è una famiglia di modelli text-to-speech sviluppata da Gradium. L'audio viene generato in tempo reale: chi ascolta può sentire la risposta mentre viene prodotta, senza attendere che il testo sia completo. Ollama indica che, per l'esecuzione su Apple Silicon, il runtime sfrutta MLX, il framework open source di machine learning di Apple che sfrutta la memoria unificata dei chip.
Immagine: spaces — https://huggingface.co/spaces/mahiatlinux/ollama-server-backend/blob/main/ollama-api-demo.ipynb
Secondo i dati diffusi da Ollama, nei test condotti su un MacBook Pro con chip M5 Max la generazione vocale risulta più veloce del 35% rispetto all'implementazione di riferimento di Gradium, mantenendo lo stesso tasso di errore sulle parole della versione di riferimento in Hugging Face Transformers. Ollama descrive inoltre la generazione come oltre 100 volte più veloce del tempo reale su Apple Silicon. Sono dati forniti dal progetto e non verificati in modo indipendente.
Phonon supporta cinque lingue (inglese, francese, tedesco, spagnolo e portoghese), con un modello separato per ciascuna e un modello multilingue che le copre tutte. Per l'inglese sono disponibili voci con accenti americano e britannico. Secondo la documentazione di Ollama, il modello inglese da 31 milioni di parametri usa le voci di Gradium come Zoey, Easton e Freya; senza una voce selezionata, parla con la voce predefinita del checkpoint.
L'interesse della novità sta nel fatto che, fino a oggi, la sintesi vocale di qualità passava quasi sempre da servizi cloud a pagamento. Ollama permette invece di far girare il modello sul proprio computer, senza connessione e senza che il testo lasci il dispositivo. Il limite resta l'hardware: la velocità e la dimensione dei modelli eseguibili dipendono dal Mac, e per ora il supporto riguarda solo i chip Apple Silicon con Ollama 0.40.11 o successivo.
La sintesi vocale locale si inserisce in una serie di progetti recenti su AlexTech, dal modello Phonon di Gradium, che ha versioni da 31 e 40 milioni di parametri, al supporto di Qwen3-TTS in llama.cpp. Su Mac, Ollama aveva già iniziato a usare MLX per avviare automaticamente i modelli compatibili, e la voce è ora un ulteriore tipo di modello gestito dalla stessa app.
La prossima tappa annunciata è l'arrivo del supporto su Windows e Linux, ancora senza calendario. Per chi sviluppa applicazioni vocali, la disponibilità di un modello eseguibile in locale apre la strada a prodotti che non dipendono da un servizio esterno, ma la qualità reale e la stabilità sugli altri sistemi restano da verificare con l'uso.
Ancora nessun commento. Puoi essere il primo!