Ollama
ГолосOllamaPhononTTSd3локальный ИИ

Ollama v0.40.11-rc0: каталог голосов Phonon и что было в предыдущем релизе

Сергей Сергеев, редактор gen-hub.ru
Сергей Сергеев
Редактор gen-hub.ru
·3 мин чтения
Ollama v0.40.11-rc0: каталог голосов Phonon и что было в предыдущем релизе

24 октября вышел Ollama v0.40.11-rc0. Это release candidate, а не стабильный релиз. Основное изменение в нем - обновление каталога голосов Phonon. Сам синтез речи и семейство d3 появились раньше, в v0.40.9 от 22 октября.

Phonon: голос прямо из терминала

Функция синтеза речи появилась в v0.40.9. Команда `ollama run phonon "Hello from Ollama."` озвучивает текст на macOS без дополнительных зависимостей. Воспроизведение начинается до того, как вся фраза готова - аудио стримится по мере генерации, задержка минимальная.

Под капотом - модель Phonon на базе чекпойнта Gradium с 31 миллионом параметров. Формат вывода по умолчанию - WAV: 16-bit, моно, 24 кГц. Есть и сырой PCM без заголовка - для тех, кто встраивает речь в собственные аудиопайплайны. Лимит на один запрос - 4096 символов.

Модель английская. Попытка указать несуществующий голос вернет ошибку 400 со списком доступных вариантов. Генерация работает на Apple Silicon; поддержка других платформ для этой функции в релизных заметках не упоминается.

На macOS для воспроизведения используется `afplay`. На Linux система перебирает `paplay`, `pw-play`, `aplay` и `ffplay` в порядке приоритета. На Windows подключается PowerShell. Если перенаправить вывод в файл - вместо воспроизведения получится WAV-файл. Это работает даже на серверах без звуковой карты: достаточно указать `OLLAMA_HOST=my-server:11434` и запустить команду локально.

Конвейер: чат-модель плюс голос

Практически интересный сценарий - пайплайн из чат-модели и Phonon:

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

Photon начинает озвучивать ответ уже после первых одного-двух предложений из чат-модели. То есть пользователь слышит начало ответа раньше, чем LLM дочитывает его до конца. Для голосовых интерфейсов это критично - разница между "говорит" и "сначала думает, потом говорит" ощущается сразу.

OpenAI-совместимый эндпоинт

Для разработчиков добавлен `/v1/audio/speech` - полная совместимость с OpenAI Audio API. Любой код, написанный под OpenAI TTS, заработает с Ollama после замены `base_url` на `http://localhost:11434/v1` и `api_key` на строку `ollama`. Никаких других изменений не нужно.

Gradium 31M - модель компактная, разборчивость достаточная для служебных задач: озвучка уведомлений, голосовые интерфейсы для локальных приложений, автоматизация.

Для российских разработчиков: Ollama работает локально, никаких запросов к внешним серверам при использовании Phonon нет. VPN не нужен, карты не нужны - все на своем железе.

D3: модели принятия решений

В том же релизе v0.40.9 появилось семейство d3, построенное на базе семантического роутера от vLLM Semantic Router. Семейство включает четыре размера: 2B, 4B, 9B и 27B.

Задача d3 - не генерация текста, а классификация и маршрутизация. На входе может быть текст, структурированное состояние или изображение. Модель отвечает классификацией, бинарным решением (да/нет) или скорингом с вероятностями. Пример из документации:

ollama run d3 "A customer says their card was charged twice." --ask "Is this a billing issue?"

Это инструмент для агентских систем: нужно быстро решить, куда направить запрос, без полноценной генерации. Версия 2B означает, что такой роутер запустится практически на любом железе с приемлемой скоростью - включая машины без мощной видеокарты.

Что еще изменилось

Помимо двух главных функций - несколько технических правок. Потоковые запросы через OpenAI Responses и Anthropic Messages перестали молча обрываться при сбоях: теперь ошибка генерации явно сообщается клиенту. Раньше приложение просто получало обрыв потока и не понимало, что пошло не так.

Инструмент Flint для работы с кодом внутри Ollama расширил поддержку на Linux и Windows - раньше он работал только на macOS.

Что это значит для экосистемы

Ollama последовательно закрывает пробелы, которые заставляли разработчиков тянуть сторонние сервисы. Сначала - работа с изображениями, теперь - речь и семантическая маршрутизация. Архитектура при этом остается той же: OpenAI-совместимые эндпоинты, которые позволяют переключаться между облаком и локальным инстансом без переписывания кода.

v0.40.11-rc0 добавляет к этому обновленный каталог голосов Phonon. Когда выйдет стабильный релиз и что в него войдет - в доступных материалах не указано.

Источники

Все эти инструменты - уже на Genova-ai

Картинки, видео, музыка, голос и ИИ-чат в одном месте. Без VPN и зарубежных карт.

Картинки
Видео
Музыка
Голос
ИИ-чат
Попробовать бесплатно

Похожие новости