Ollama 上线首个语音模型 Phonon：Mac 端离线语音合成，实时性达 113 倍

Ollama 在 10 月 24 日的官方博客中宣布加入语音模型，首个上线的是 Phonon 模型家族。官方给出的指标包括：在 M5 Max 上推理速度达到实时的 113 倍，词错误率 1.2%；当前仅支持 macOS，Windows 与 Linux 版本会在后续跟进；许可为 Apache 2.0 与 CC BY-NC 4.0。

对 Ollama 来说这是一次品类扩展。它以本地跑语言模型起家，语音、视觉这类模态此前都依赖外部服务；把语音纳入本地栈，意味着离线应用可以把「听与说」也留在设备端，隐私敏感的场景（医疗、金融、内部培训）第一次可以完全断网做语音交互。

113 倍实时是这条路线的关键指标：本地语音合成只有在远快于播放速度时，才能支撑打断、边说边改这类真正的对话体验。本月端侧模型动作密集：Meta 团队 10 月 17 日提交的 Muse Glimmer 30B 报告主打消费级硬件上的智能体任务，小米在 10 月 19 日上线了输出速度提升约 10 倍的 MiMo-V2.6-Pro-UltraSpeed。