Ollama 0.40.11 añade su primera función de generación de voz: por ahora solo en macOS, se puede pedir audio con ollama run o consumirlo desde cualquier aplicación a través del endpoint compatible con OpenAI /v1/audio/speech.
La voz es Phonon, un modelo de Gradium publicado en abierto bajo licencia Apache 2.0 — así que se puede usar también en proyectos comerciales.
Phonon corre entero en el dispositivo, en variantes de apenas 31 y 40 millones de parámetros, y según Gradium es más rápido que en tiempo real incluso en una Raspberry Pi 5.Soporta inglés, francés, alemán, español y portugués, y nada de lo que se sintetiza sale de la máquina: ni el texto ni el audio pasan por ningún servidor externo.
La otra novedad de esta versión es la familia de modelos d3, que trae a Ollama el enfoque del Semantic Router de vLLM: en vez de generar texto, estos modelos — en tamaños de 2B, 4B, 9B y 27B — están pensados solo para clasificar, responder preguntas de sí/no o puntuar una probabilidad a partir de texto, un estado estructurado o una imagen. Para tareas de enrutado o moderación, son mucho más baratos de ejecutar que pedirle lo mismo a un modelo generalista.
Qué significa para ti
Si ya tienes Ollama en tu homelab para servir modelos de texto, Phonon añade voz local sin montar nada aparte: nada de APIs de pago ni de mandar texto a la nube para convertirlo en audio. Es la pieza que le faltaba a asistentes de voz, lectores de documentos o generadores de contenido que quieran quedarse enteros dentro de casa. Para quien construye agentes o pipelines de clasificación, los modelos d3 son una alternativa a considerar frente a usar un LLM generalista solo para decidir sí/no — menos recursos, respuesta más rápida.
Fuentes: github.com · gradium.ai · voiceaispace.com
