Ollama 新增语音模型支持，Gradium 的 Phonon 实现高效文本转语音

2026 年 10 月 24 日

Ollama 现已支持将文本转换为语音。首个语音模型是 Phonon，这是一系列由 Gradium 开发的小型且具备前沿水平的文本转语音模型。语音模型已在 macOS 上可用，Windows 和 Linux 的支持即将推出。

ollama run phonon "Hello from Ollama."

在 Apple Silicon 上的性能

在 Apple Silicon 上，Ollama 借助 Apple 的机器学习框架 MLX 加速，实现了前沿级的吞吐量。在搭载 M5 Max 的 MacBook Pro 上，Ollama 比第二快的引擎（即 Gradium 自身的运行时环境）快 35%。

Ollama 的实现同样精准，其词错率与 Hugging Face Transformers 中的参考实现相匹配：

声音

使用 --voice 或在 API 中通过 voice 参数选择声音：

ollama run phonon --voice Hadley "Hello from Ollama."

这些声音源自 Gradium 的 声音目录。运行 ollama show phonon 可列出所有声音。

语言

phonon 基于 Apache 2.0 许可发布。40M 模型基于 CC BY-NC 4.0 许可发布，限制其仅限非商业用途。

朗读回复

将聊天模型的回复管道传输到 Phonon。文本会在到达时立即朗读，因此回复会在第一句话完成后开始播放：

ollama run gemma4 --hidethinking "Tell me a fun fact about owls in two sentences." | ollama run phonon

运行 ollama run phonon 但不输入文本，即可在提示符下逐行输入，或者将输出重定向以保存 WAV 文件：

ollama run phonon "Save this to a file." > speech.wav

API

Phonon 兼容 OpenAI 的 /v1/audio/speech 端点，因此使用 OpenAI SDK 的现有代码只需更改新的 base URL 即可。

curl http://localhost:11434/v1/audio/speech \
  -H "Content-Type: application/json" \
  -d '{
    "model": "phonon",
    "voice": "Zoey",
    "input": "Hello from Ollama."
  }' --output speech.wav

from openai import OpenAI

client = OpenAI(base_url="http://localhost:11434/v1", api_key="ollama")

with client.audio.speech.with_streaming_response.create(
    model="phonon",
    voice="Zoey",
    input="Hello from Ollama.",
    response_format="wav",
) as response:
    response.stream_to_file("speech.wav")

import fs from "node:fs"
import OpenAI from "openai"

const openai = new OpenAI({ baseURL: "http://localhost:11434/v1", apiKey: "ollama" })

const response = await openai.audio.speech.create({
  model: "phonon",
  voice: "Zoey",
  input: "Hello from Ollama.",
  response_format: "wav",
})
fs.writeFileSync("speech.wav", Buffer.from(await response.arrayBuffer()))

响应在音频生成期间流式传输，因此可以立即播放：

curl -sN http://localhost:11434/v1/audio/speech \
  -H "Content-Type: application/json" \
  -d '{"model": "phonon", "input": "Playback starts right away."}' \
  | ffplay -nodisp -autoexit -loglevel error -

音频为 24 kHz 单声道，默认返回为 WAV 格式，若指定 "response_format": "pcm" 则返回原始的 16 位采样数据。

快速开始

语音模型在 Apple Silicon Mac 上运行。下载 Ollama 0.40.11 或更高版本，然后拉取 Phonon：

ollama pull phonon

更多信息请参阅：

• Phonon 模型页面
• 语音文档
• OpenAI 兼容性
• Gradium 语音库