AI cục bộ của bạn đã biết nói: cập nhật Phonon của Ollama thực sự mở ra điều gì

Câu trả lời từ mô hình ngôn ngữ cục bộ thường vẫn kết thúc dưới dạng chữ trong cửa sổ dòng lệnh hoặc trò chuyện. Bạn hỏi tiếp được, nhưng phải tiếp tục nhìn màn hình. Đọc câu trả lời thành tiếng cần thêm ứng dụng, API hoặc bước xử lý.

Thông báo ngày 24 tháng 10 năm 2026 của Ollama đưa tạo giọng nói vào quy trình cục bộ ấy. Dòng mô hình giọng nói được hỗ trợ đầu tiên là Phonon, do Gradium phát triển. Văn bản thành âm thanh qua dòng lệnh hoặc điểm cuối tương thích OpenAI, còn câu trả lời mô hình ngôn ngữ có thể chuyển thẳng sang mô hình giọng nói. Thông báo chính thức.

Với người chưa dùng, Ollama là công cụ tải và chạy mô hình trên máy tính của bạn, cung cấp chúng qua API cục bộ. Cập nhật quan trọng vì giọng nói trở thành một năng lực mô hình nữa trong môi trường đó. AI cục bộ có cách nói lại, với giới hạn đáng chú ý: hỗ trợ được công bố hiện dành cho macOS và giấy phép khác nhau trong họ Phonon.

Biểu trưng Ollama chính thức từ kho Ollama, giấy phép MIT. Đã chuyển thành ảnh theo đúng tỷ lệ trên nền trắng. Đây là ảnh nhận diện sản phẩm, không phải ảnh màn hình hay giọng nói được tạo.

Giọng nói hữu ích bắt đầu từ lời hứa vừa phải

Khả năng trực tiếp là chuyển văn bản thành giọng nói. Bạn đưa chữ và nhận âm thanh tổng hợp. Nó giúp nghe câu trả lời dễ hơn, biến tài liệu thành bản nháp để nghe riêng hoặc cho nhà phát triển thử giao diện nói mà không bắt đầu với dịch vụ giọng nói đám mây.

Tự nó không tạo trợ lý giọng nói hoàn chỉnh. Nghe micro, xác định khi người dùng nói xong, nhận dạng lời nói, ngắt phát và quyết định hành động nào được phép là những phần ứng dụng riêng. Giọng trôi chảy có thể khiến hệ thống chưa xong trông hoàn chỉnh hơn thực tế.

Khác biệt đó hữu ích khi chọn thứ xây trước. Đọc đoạn đã duyệt là nhiệm vụ có giới hạn. Hệ thống nghe yêu cầu, tìm tài liệu riêng, chọn công cụ rồi nói kết quả có nhiều trách nhiệm hơn. Phonon cung cấp giọng đầu ra, không xác lập độ chính xác hay thẩm quyền của các bước trước.

Vì thế ca dùng đầu mạnh nhất có ranh giới văn bản dễ hiểu. Bạn kiểm tra điều sẽ được đọc, quyết định câu chữ phù hợp rồi tạo âm thanh. Cách đơn giản đó giúp biết giọng nói có cải thiện nhiệm vụ thật không.

Bản ra mắt có ranh giới nền tảng và ngôn ngữ

Hướng dẫn ra mắt yêu cầu Mac Apple Silicon với Ollama 0.40.11 trở lên, hỗ trợ Windows và Linux sẽ tới sau. Người chạy Ollama trên hệ điều hành khác không nên nghĩ bản cài hiện có đã hỗ trợ quy trình mới. Thư viện mô hình xuất hiện trên web khác với tính năng chạy đã có trên mọi nền tảng.

Mục thư viện Phonon cũng tách lựa chọn mô hình. Phonon cơ bản dành cho tiếng Anh. Họ 40M có biến thể riêng cho Anh, Pháp, Đức, Tây Ban Nha và Bồ Đào Nha, cùng biến thể đa ngôn ngữ bao phủ năm tiếng đó.

Danh sách không khẳng định giọng nói đa ngôn ngữ phổ quát. Tiếng Hàn không thuộc năm ngôn ngữ liệt kê, nên bản ra mắt chưa xác lập lựa chọn giọng nói tiếng Hàn.

Quy trình nghe tiếng Anh và sản phẩm đa ngôn ngữ cần đánh giá khác. Thứ đầu có thể chỉ cần đọc rõ ghi chú tiếng Anh của bạn. Thứ sau phải kiểm tra ngôn ngữ đúng mô hình hỗ trợ, tên, phát âm và hành vi khi câu đổi ngôn ngữ. Nhãn ngôn ngữ không chứng minh mọi trường hợp đều tốt.

Mô hình nhỏ, quyền sử dụng khác

Họ mô hình có khác biệt giấy phép dễ bỏ qua khi chọn theo kích thước. Phonon cơ bản được liệt kê theo Apache 2.0. Biến thể 40M theo CC BY-NC 4.0, có hạn chế phi thương mại. Thông tin mô hình và giấy phép.

Vì vậy bản tải nhỏ nhất không tự động là lựa chọn đơn giản nhất cho sản phẩm thương mại. Mô hình gọn hấp dẫn để thử trên máy cấu hình khiêm tốn, nhưng quyền gắn với chính mô hình ấy có thể không phù hợp dịch vụ trả phí hoặc ứng dụng sản xuất của khách hàng.

Đây là quyết định sản phẩm thực tế, không phải lập luận giấy phép nào làm mô hình nói tốt hơn. So riêng chất lượng, chi phí chạy và mục đích được phép. Ghi đúng biến thể đã thử thay vì chỉ viết “Phonon” trong ghi chú triển khai.

Dòng lệnh làm đường mới dễ thấy

Trên bản cài macOS được hỗ trợ, thông báo chính thức đưa lệnh trực tiếp:

ollama run phonon "Hello from Ollama."

Nó còn minh họa chuyển đầu ra mô hình văn bản sang giọng nói:

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

Đây là ví dụ của quy trình công bố, không phải kết quả thử phần cứng của chúng tôi. Phần thú vị là đường ống: một mô hình tạo chữ, mô hình kia tạo giọng. Giữ câu trả lời ngắn và loại suy luận ẩn khỏi đầu vào đọc giúp bàn giao dễ hiểu hơn.

Thông báo cũng chỉ cách lưu giọng nói thành tệp WAV:

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

Dùng lệnh được ghi tài liệu trong môi trường hỗ trợ và kiểm tra tệp trước khi xây xử lý hàng loạt. Có tệp âm thanh không cho biết mọi câu đã được đọc, phần đầu có bị cắt hay giọng có đọc đúng số quan trọng không.

Ranh giới hữu ích đầu tiên là văn bản nhìn thấy được. Giọng nói đổi cách giao câu trả lời, không độc lập xác minh câu trả lời.

Ví dụ một: nghe tài liệu trước khi gửi

Hình dung tư vấn viên duyệt cập nhật dự án tiếng Anh. Tài liệu giải thích dày đặc điều đã đổi, điều còn chưa chắc và điều khách cần duyệt. Trên màn hình đọc ổn, nhưng nghe có thể lộ câu quá dài hoặc đoạn chuyển khó theo.

Mô hình giọng cục bộ biến văn bản được chấp thuận ấy thành bản nghe thử. Tư vấn viên nghe đúng câu chữ trong khi sửa tài liệu gốc. Mô hình giọng không cần tự nghĩ tóm tắt hay chọn nhận định quan trọng.

Lợi ích cụ thể là thêm cách duyệt bài viết. Nó cũng giúp người thích nghe hoặc muốn đổi giữa công việc hình ảnh và âm thanh. Đây không phải bằng chứng về giải pháp trợ năng hoàn chỉnh; giọng tạo ra không thay kiểm tra cần cho nhu cầu riêng của đối tượng nghe.

Ví dụ cũng làm riêng tư dễ suy xét. Nếu tạo giọng thực sự chỉ diễn ra trong tiến trình cục bộ, bước ấy không cần gửi tài liệu cho nhà cung cấp giọng từ xa. Toàn quy trình vẫn có thể gồm trình soạn thảo đám mây, mô hình từ xa, dữ liệu đo lường hay thư mục chia sẻ. “Giọng cục bộ” mô tả một ranh giới xử lý, không phải mọi ứng dụng quanh nó.

Ví dụ hai: thử câu trả lời nói với bản chữ hiển thị

Xét nhà phát triển làm mẫu học ngôn ngữ hoặc quầy tra cứu nhỏ. Ứng dụng tạo câu trả lời ngắn, hiện chữ và có nút nghe. Người dùng so được điều thấy và nghe; nhà phát triển xem lỗi mà không phải đoán chữ nào đã vào mô hình giọng.

Điểm cuối /v1/audio/speech tương thích OpenAI của Ollama, phục vụ qua bộ chạy cục bộ, phù hợp ở đây. Thông báo mô tả nó như cách tích hợp tạo giọng vào ứng dụng. Tương thích giảm công cho phần mềm vốn tổ chức theo API giọng nói, nhưng không chứng minh mọi tùy chọn của dịch vụ từ xa có triển khai cục bộ giống hệt.

Bắt đầu với mô hình, giọng và phản hồi được ghi tài liệu. Nếu ứng dụng cần định dạng truyền dòng, hành vi hủy hoặc mã hóa âm thanh cụ thể, hãy thử đúng hợp đồng đó. Yêu cầu một dòng thành công chưa chứng minh phiên tương tác dài sẽ đúng.

Với ví dụ học tiếng, bắt đầu bằng một ngôn ngữ hỗ trợ và ít câu đã duyệt. Thử tên và từ lạ riêng. Nếu người dùng nhập tùy ý, còn cần quyết định xử lý chữ viết không hỗ trợ, đầu vào quá dài và nội dung không bao giờ nên đọc ở nơi chung.

Làm lần thử đầu cung cấp thông tin hữu ích

Thử nghiệm hữu ích nhất khi trả lời câu hỏi có thể hành động. “Nó phát ra tiếng không?” là kiểm tra cài đặt tốt nhưng tiêu chí nhận dùng yếu. Công cụ viết cần đoạn rõ; mẫu tương tác còn cần chờ chấp nhận được và dừng đáng tin.

1. Xác nhận nền tảng và bộ chạy. Xem tài liệu giọng Ollama hiện tại. Hướng dẫn ra mắt yêu cầu Mac Apple Silicon và Ollama 0.40.11 trở lên. Nền tảng công bố cho tương lai vẫn là khả dụng tương lai.
2. Chọn đúng mô hình và xem giấy phép. Ghi nhãn, ngôn ngữ và mục đích trước khi so kích thước hoặc tốc độ.
3. Chuẩn bị văn bản đại diện. Có câu ngắn, đoạn, số, tên và trường hợp quy trình thực thấy khó. Giữ bản sao từng đầu vào.
4. Nghe toàn bộ đầu ra. Kiểm tra bỏ sót, phát âm, ngắt bất thường, lặp từ và phần kết. Thử tệp lưu cùng phát ngay.
5. Đo trải nghiệm trên máy của bạn. Ghi máy, mô hình, độ dài đầu vào và thời gian tới âm thanh hữu ích. So cùng nội dung giữa các lựa chọn.
6. Tách xét duyệt với phát. Để người kiểm tra câu chữ nhạy cảm hoặc quan trọng trước khi ứng dụng đọc hay phân phối tệp.

Quá trình không cần bộ đo lớn. Nó cho nhóm nhỏ cách lặp lại được để biết giọng cục bộ đã đủ cho nhiệm vụ hẹp chưa và giới hạn nào đáng xem tiếp.

Tuyên bố tốc độ cần điều kiện thử

Thông báo Ollama có so sánh hiệu năng và chất lượng giọng. Đó là kết quả nhà cung cấp báo trong điều kiện mô hình, phần cứng và đánh giá đã nêu. Chúng gợi hướng kiểm tra, không hứa cùng độ trễ trên máy khác hoặc giọng, ngôn ngữ khác.

Tách thông lượng khỏi thời gian tới âm thanh nghe được đầu tiên. Mô hình có thể tạo đoạn dài nhanh về tổng thể nhưng vẫn khiến tương tác ngắn chậm lúc đầu. Bản nháp sách nói hàng loạt và câu đáp hội thoại quan tâm hai số này khác nhau.

Đo chất lượng cũng cần bối cảnh. Nhận dạng từ trên giọng tổng hợp giúp tìm vấn đề dễ hiểu, nhưng lỗi thấp không phải đánh giá đầy đủ nhịp, biểu cảm hay tên có hợp người nghe. Con người nghe vẫn hữu ích với nội dung sản phẩm thực sự sẽ đọc.

Chúng tôi chưa chạy so sánh độc lập nhiều máy cho bài này. Kỳ vọng thực tế vì thế là lựa chọn cục bộ mới để đánh giá, không tuyên bố thắng mọi hệ thống giọng cục bộ hoặc từ xa.

Kiểm tra chữ, giọng và ứng dụng riêng. Giọng rõ có thể truyền câu sai rõ như câu đúng.

Giọng nói cục bộ có thể đổi gì tiếp theo

Điểm hứa hẹn là kết nối có thể trở nên rất bình thường. Mô hình cục bộ viết giải thích ngắn, mô hình khác đọc, ứng dụng giữ bản chữ. Giọng nói giống năng lực đầu ra kết hợp được hơn một nơi riêng để dán văn bản sang.

Điều đó giúp dễ khám phá duyệt bài cục bộ, bản nghe riêng và giao diện nói nhỏ. Nó còn khuyến khích ứng dụng phối hợp mô hình chuyên dụng: một hiểu đầu vào, một quyết định có giới hạn và một đọc kết quả đã duyệt.

Bài thử tiếp theo rất cụ thể. Hỗ trợ hệ điều hành rộng hơn mở cho nhiều người thử. Thêm ngôn ngữ đổi đối tượng phục vụ. Hủy tốt hơn, quản lý giọng và tích hợp đổi độ tự nhiên của ứng dụng tương tác. Mỗi thứ là cải tiến riêng, nên đánh giá khi thực sự có.

Hiện tại, Phonon trong Ollama cho bước đầu hữu ích: để AI cục bộ nói đoạn chữ ngắn kiểm tra được, rồi quyết định nghe có làm nhiệm vụ ấy tốt hơn không. Giữ giấy phép và giới hạn nền tảng rõ như giọng nói.

Nguồn

• Ollama: Mô hình giọng nói, ngày 24 tháng 10 năm 2026.
• Ollama: Thư viện mô hình Phonon và giấy phép, kiểm tra ngày 26 tháng 10 năm 2026.

Muốn lưu bản có thể tìm kiếm về văn bản, ghi chú nghe và mô hình đã chọn trong thử nghiệm? Đưa tài liệu vào Telli.sh và tạo ghi chú để quay lại sau.