你本地跑的大模型，一直是个"哑巴"——你敲字，它敲字，聊得再投机也发不出一点声音。想让它念出来？要么接云端TTS按字符付钱，要么自己搭一套语音环境，劝退九成人。
10月24日，Ollama把这扇门推开了：官方宣布Mac应用正式支持文本转语音（TTS），数据不出本机，Windows和Linux版本随后跟进。首批接入的是法国语音AI公司Gradium开源的Phonon系列——参数小、质量高，在官方ELO质量基准里，31M/40M的体型站上了一群更大型号的前排。IT之家Ollama官方博客
开口的是个64MB的"小不点"
别看Phonon参数只有31M/40M，8-bit量化后权重仅约64MB。一部高清电影的零头，却干的是以前动辄几个GB的语音模型干的事。知乎
官方给的成绩单也不含糊：笔记本CPU上生成首段音频最快只要约7ms。接进Ollama之后，在MacBook Pro M5 Max上推理速度比Gradium自家运行时还快35%，跑到了实时速度的113倍，并且支持边生成边播放。翻译一下：本地AI从"想好再说"变成了"张嘴就来"，延迟基本摸不到。Gradium官方博客Ollama官方博客
快的秘密在架构里：模型每80毫秒边算边吐一段音频帧，解码器实时输出24kHz音频——整条流水线为流式生成设计，不用等全文合成完。Gradium官方博客
对开发者更实在的是接口。Ollama这套TTS兼容OpenAI API格式，现有的聊天机器人、语音Agent想加上本地声音，基本不用大动干戈改代码。而且默认的Phonon 31M采用Apache 2.0许可，商用没有障碍。给产品接一个不用按字符交钱的"嘴"，这条路通了。知乎Ollama官方博客
三盆冷水，泼完再上手
第一盆：目前只有Apple Silicon的Mac能吃上，需要Ollama 0.40.11及以上版本，Windows和Linux支持还在开发中。抱着4090的Windows用户，这次真只能先看着。知乎小红书
第二盆："数据不出门"有个例外。想克隆自己或别人的音色？音色提取目前仍依赖Gradium Studio或其API，得先把录音传上去提取、下载音色文件，之后才能本地离线生成。真正的纯离线闭环，暂时只属于用预置音色的场景。知乎
第三盆：许可证分档，还绑着语言。能商用的Apache 2.0只有31M英文版；40M系列（覆盖法、德、西、葡等语言和多语言版）是CC BY-NC 4.0，不能商用。做产品的同学下载前看清型号，别一脚踏坑。小红书
值不值得装？
如果你已经在Mac上用Ollama，这几乎是零成本升级：64MB的模型对显存和硬盘的占用可以忽略不计，本地对话朗读、离线语音助手、给Agent装上嘴，都是现成场景。朗读质量也在线——官方在Seed-TTS英文测试集上测得词错误率只有1.2%，与Hugging Face Transformers参考实现持平，念英文长文完全够用。Ollama官方博客
但中文用户得先按下期待——目前模型覆盖英、法、德、西、葡五种语言，官方名单里没有中文。想让它念中文稿，还得等后续支持。小红书
如果你在等一场"本地语音革命"，那还早：音色克隆没断网、Windows没上桌，这一版更像开胃菜。但方向不会错——模型越小、接口越标准，本地AI离"能听能说"就越近。下一次它开口，可能就不只是念你打的字了。
