Ollama voice lança Phonon com 35% mais velocidade em Macs

Tecnologia

Phonon traz avanço significativo em velocidade para Macs com Apple Silicon, otimizando a experiência de texto para fala.

Leia também: Desafio técnico esconde bitcoin de US$ 500 em servidor remoto

A Ollama passou a oferecer nesta semana o Phonon, família de modelos de texto para fala da Gradium integrada à plataforma e otimizada para Macs com Apple Silicon, prometendo desempenho até 35% superior ao segundo motor mais rápido disponível hoje.

O que são os modelos de fala da Ollama?

Os modelos de fala da Ollama são modelos de texto para fala que convertem textos em áudio, batizados de Phonon e desenvolvidos pela Gradium, agora embarcados diretamente na plataforma para uso local em macOS com chips da Apple.

O Phonon é uma família de modelos compactos e de última geração, treinados para sintetizar voz com alta precisão. Segundo a própria Ollama, a implementação atinge a mesma taxa de erro de palavras da referência usada na biblioteca Transformers do Hugging Face, o que significa manter o nível de qualidade considerado padrão hoje no mercado open source.

Nesta primeira fase, os modelos de fala rodam em Macs com Apple Silicon, aproveitando a aceleração do MLX, framework de aprendizado de máquina da Apple. O áudio é gerado em 24 kHz mono, configuração suficiente para uso em assistentes virtuais, narrações, acessibilidade e aplicações de mídia em geral.

Desempenho turbinado em Apple Silicon

A grande aposta da Ollama está no desempenho. Em testes internos, rodando em um MacBook Pro com chip M5 Max, a implementação da empresa foi “35% mais rápida que o próximo motor mais rápido, o runtime da Gradium”, diz a companhia. O ganho vem justamente da integração com o MLX, que explora o hardware de forma mais próxima e reduz a latência na geração de áudio.

Na prática, isso abre espaço para aplicações em tempo quase real, como leitura em voz alta de respostas de chat, interfaces conversacionais e ferramentas de apoio à inclusão, sem depender da nuvem. Para empresas, a execução local também pode significar economia em custos de infraestrutura e maior controle sobre dados sensíveis.

Como funciona o recurso de texto para fala da Ollama?

O recurso de texto para fala da Ollama funciona a partir da versão 0.40.11 da plataforma, que passa a oferecer o Phonon tanto pela linha de comando quanto por API compatível com a OpenAI.

Para usar no terminal, o usuário atualiza o Ollama para a versão 0.40.11 ou superior, baixa o modelo Phonon e executa o comando de geração apontando o texto desejado. É possível canalizar, por exemplo, a resposta de um modelo de chat diretamente para o Phonon, fazendo com que o áudio comece a tocar já na primeira frase gerada, em fluxo contínuo (streaming).

O áudio sai, por padrão, como arquivo WAV mono a 24 kHz. Quem precisa integrar o recurso a pipelines de processamento de áudio pode optar por receber o conteúdo em formato PCM bruto de 16 bits, ajustando o parâmetro de resposta. Também é possível rodar o Phonon sem texto inicial, digitando linha a linha no próprio prompt, ou redirecionar a saída diretamente para um arquivo de áudio.

Integração com API compatível com a OpenAI

Na camada de desenvolvimento, a Ollama mirou a migração facilitada de quem já usa a API de texto para fala da OpenAI. O Phonon responde ao endpoint /v1/audio/speech, no mesmo formato, o que permite reaproveitar boa parte dos códigos existentes.

Segundo a empresa, basta apontar o SDK ou a aplicação para uma nova base URL, preservando a estrutura de requisição e resposta. Isso reduz o trabalho de adaptação em projetos já em produção e torna o Phonon uma opção atraente para testes rápidos e provas de conceito, especialmente em ambientes de desenvolvimento em Macs.

Vozes disponíveis e catálogo da Gradium

As vozes usadas pelo Phonon vêm do catálogo da Gradium e podem ser escolhidas via parâmetro --voice na linha de comando ou pelo campo equivalente na API. O comando ollama show phonon lista todas as vozes disponíveis, permitindo ao desenvolvedor selecionar o timbre que melhor se encaixa no seu produto, de acordo com idioma, estilo e personalidade da fala.

Essa flexibilidade é relevante para aplicações em educação, jogos, conteúdo digital e atendimento automatizado, que tendem a exigir vozes mais naturais e variadas para engajar o usuário. Embora a lista completa de vozes não seja detalhada publicamente, a promessa é de um catálogo amplo, com diferentes perfis.

Entenda o contexto

O lançamento coloca a Ollama em posição de destaque na corrida por soluções de voz otimizadas para Apple Silicon. A combinação de modelos pequenos, execução local e compatibilidade com APIs já difundidas chega em um momento em que assistentes virtuais, ferramentas de acessibilidade e produtos de mídia automatizada se espalham por empresas de vários portes.

Enquanto isso, a disponibilidade inicial restrita ao macOS limita o alcance imediato, mas a empresa já fala em suporte para Windows e Linux em breve. Quando isso acontecer, a mesma base de código poderá atender times que trabalham em ambientes mistos, cenário comum em equipes de desenvolvimento e pesquisa.

Do lado de licenciamento, o núcleo do Phonon sai sob Apache 2.0, uma licença permissiva para quem pretende integrar o motor em produtos. Já os modelos de 40 milhões de parâmetros ficam sob CC BY-NC 4.0, o que restringe o uso a fins não comerciais. Isso deve estimular experimentação em universidades, comunidades open source e startups em fase inicial, mas pode exigir acordos específicos para projetos comerciais mais ambiciosos.

Com o avanço do Phonon e a provável resposta de concorrentes, a expectativa é de uma nova rodada de melhorias em qualidade, custo e velocidade na síntese de voz — especialmente em dispositivos da Apple, onde a otimização fina de hardware e software passa a ser um diferencial competitivo importante.